فورقان أرشاد، م.، بييترو بورراي، ج.، فاركاسيا، أ.، فرانشيسكا سيني، م.، أحمد، ف.، جيوفاني لاي، ج.، بوليناس، م.، أنطوفرمو، إ.، تامبوني، ج.، كوكو، ر.، كورد، أ.، & بينا بارباجليا، م. ل. (2024). التأثير الرائد للتحول الرقمي والذكاء الاصطناعي في تربية الأغنام. البحث في العلوم البيطرية، 170، 1-9. المقال 105197.https://doi.org/10.1016/j.rvsc.2024.105197

رابط إلى سجل النشر في بوابة أبحاث جامعة أولستر

نُشر في:
البحث في علوم الطب البيطري

حالة النشر:
نُشر (في الطباعة/العدد): 30/04/2024

معرف الوثيقة الرقمي:
10.1016/j.rvsc.2024.105197

إصدار الوثيقة
نسخة الناشر بصيغة PDF، والمعروفة أيضًا باسم النسخة المسجلة

رخصة الوثيقة:
CC BY

الحقوق العامة
تُحتفظ حقوق الطبع والنشر والحقوق المعنوية للمخرجات من قبل مؤلف(ي) المخرجات، ما لم يُنص على خلاف ذلك في ترخيص الوثيقة.
ما لم يُذكر خلاف ذلك، يُسمح للمستخدمين بتنزيل نسخة من المخرجات للدراسة الشخصية أو البحث غير التجاري، ويُسمح لهم بتوزيع عنوان URL للمخرجات بحرية. لا يُسمح لهم بتعديل أو إعادة إنتاج أو توزيع أو استخدام المخرجات لأغراض تجارية دون الحصول على إذن من المؤلفين.

إذا كان المستند مرخصًا بموجب رخصة المشاع الإبداعي، يمكن العثور على حقوق مستخدمي المستندات فيhttps://creativecommons.org/share-your-work/cclicenses/.

سياسة الإزالة
بوابة البحث هي مستودع جامعة أولستر المؤسسي الذي يوفر الوصول إلى مخرجات أبحاث أولستر. تم بذل كل جهد لضمان أن المحتوى في بوابة البحث لا ينتهك حقوق أي شخص، أو القوانين المعمول بها في المملكة المتحدة. إذا اكتشفت محتوى في بوابة البحث تعتقد أنه ينتهك حقوق الطبع والنشر أو يخالف أي قانون، يرجى الاتصال بـpure-support@ulster.ac.uk

الذكاء الاصطناعي (AI)
تربية الأغنام
الرقمنة
الزراعة الحيوانية الدقيقة (PLF)

في السنوات الأخيرة، كان هناك اتجاه متزايد نحو عمليات تربية الحيوانات الأكبر والأكثر كثافة مدفوعًا بالزيادة المتوقعة في عدد سكان العالم إلى 9 مليارات نسمة بحلول عام 2050 (بيني وآخرون، 2015). تقدر منظمة الأغذية والزراعة التابعة للأمم المتحدة (الفاو) أن حوالي سيكون من الضروري زيادة إنتاج الغذاء العالمي لتلبية احتياجات السكان البشريين المتزايدين بشكل كافٍ (ألكسندراتوس وبروينسما، 2012؛ منظمة الأغذية والزراعة، 2009). ونتيجة لذلك، كان هناك زيادة في عدد مزارع الأغنام مع كثافة حيوانية أعلى ونسبة أغنام إلى شخص مربي أعلى.

لقد أدت دمج أنظمة الذكاء الاصطناعي (AI) إلى
عززت كفاءة الزراعة الحيوانية الدقيقة (نولاك فوت وآخرون، 2020). تم وصف مفهوم استخدام الذكاء في الحواسيب لأول مرة بواسطة آلان تورينج في عام 1950 (تورينج، 1950). تم صياغة مصطلح “الذكاء الاصطناعي” لأول مرة بواسطة جون مكارثي (أب الذكاء الاصطناعي) في عام 1956 خلال مؤتمر أكاديمي (أندرسن، 2002). إنه تكرار للذكاء البشري في الآلات مما يجعلها قادرة على أداء إجراءات معقدة وحتى التنبؤ بنتيجة (تريباتي، 2021). بالإضافة إلى ذلك، تقوم الحواسيب بأداء عمليات معرفية مثل البشر، والتي تشمل التفكير، والإدراك، والتعلم، والتفاعل (إرجن، 2019). لقد حول الذكاء الاصطناعي جميع الصناعات بشكل كامل. أصبحت أنظمة الذكاء الاصطناعي الآن قادرة على أداء التعلم الذاتي (المعروف أيضًا بتعلم الآلة) (كاول وآخرون، 2020). وقد قدمت مؤخرًا حلولًا للتحديات التحليلية التي تواجه الزراعة الحيوانية وعلوم الطب البيطري (جيهان وآخرون،

2021).

يوجد حوالي أكثر من مليار خروف في جميع أنحاء العالم. تقع المناطق الرئيسية لتربية الأغنام بين خطوط العرض 30 و 45 درجة جنوبًا في أستراليا وأمريكا الجنوبية ونيوزيلندا، وبين خطوط العرض 35 و 55 درجة شمالًا في أوروبا وآسيا (موريس، 2017). على الرغم من أعدادها الكبيرة ووجودها في الدول المتقدمة، إلا أن مزارع الأغنام قد تم إدارتها نسبيًا بأساليب تقليدية مقارنة بتربية الماشية (موروني وآخرون، 2022). قام ألابالا ديميرهان (2019) بتقييم التحديات الرئيسية المرتبطة بممارسات الزراعة هذه، بما في ذلك كثافة العمل، وجودة الأراضي الرعوية غير المثلى، وعدم كفاية التطورات في التربية والوراثة، وارتفاع تكاليف الأعلاف، والضعف أمام الافتراس، ومشاكل صحة الحيوانات، والآثار البيئية السلبية. العمل اليدوي في سقاية وتغذية الحيوانات والوقاية من الأمراض يستغرق وقتًا طويلاً ويكلف الكثير من حيث أجور العمالة (أوبيرون وآخرون، 2009). علاوة على ذلك، فإن هذه الأساليب الزراعية التقليدية عرضة جدًا لهجمات المفترسات، مما يؤدي إلى خسائر اقتصادية بسبب الانخفاض الكبير في حجم القطيع (موريس، 2017). بالإضافة إلى ذلك، فإن أنظمة تسجيل البيانات غائبة في معظم المزارع الحيوانية التقليدية، مما يجعل من المستحيل مراقبة صحة الحيوانات، وتاريخ التربية، وإدارة القطيع بشكل فعال، والأداء (ألدريدج وآخرون، 2019).

مع تطوير ممارسات تربية الماشية الدقيقة (PLF) الأفضل، يتم تشجيع المزارعين على اعتماد الحلول الرقمية لمزارع الأغنام الخاصة بهم. تهدف PLF إلى إدارة الحيوانات الفردية من خلال مراقبة الإنتاج والصحة والتكاثر والرفاهية والتأثيرات البيئية في الوقت الحقيقي باستخدام مجموعة من الأدوات الإلكترونية (Berckmans، 2017). في أنظمة تربية الأغنام المكثفة، يتم اعتماد مختلف

لقد حولت نماذج الذكاء الاصطناعي مثل التعلم الآلي (ML) والتعلم العميق (DL) والشبكات العصبية الاصطناعية (ANN) تربية الأغنام التقليدية إلى تربية أكثر استدامة وكفاءة وربحية (باو وشيا، 2022). لقد مهدت ممارسات الزراعة الرقمية التي تستخدم أدوات الذكاء الاصطناعي الطريق لتحسين رفاهية الحيوانات وزيادة الإنتاجية الزراعية (أنتونيك وآخرون، 2022). وقد مكن ذلك من أتمتة مراقبة سلوك الأغنام وصحتها وتغذيتها وإدارتها وإنتاجها وتوزيع الموارد (باو وشيا، 2022؛ غنائي، 2022). مع وجود العديد من المستشعرات التي تتعقب متغيرات الحيوانات المختلفة مثل درجة الحرارة ومعدل ضربات القلب والهضم، تمكن نماذج الذكاء الاصطناعي المزارعين من إدارة مواشيهم (باسيفتشي وغوندو، 2019).

يسعى مزارعو الأغنام إلى تعظيم الأرباح من خلال تحسين التكاليف والإيرادات. نظرًا لأن تحسين رفاهية الحيوانات مرتبط مباشرة بزيادة الإنتاج، يتم تشجيع المزارعين على تبني الرقمنة الحديثة المعتمدة على الذكاء الاصطناعي في مزارعهم. إن اعتماد الزراعة المعتمدة على البيانات يعزز بشكل كبير من قدرات اتخاذ القرار لدى المزارعين (خيمينيز وآخرون، 2019). يتيح استخدام التطبيقات الذكية لمزارعي الأغنام الوصول إلى أسواق محسّنة، مما يعزز المبيعات (ديليين وآخرون، 2023؛ أودينتسوف فانتروب وآخرون، 2021).

لقد فتح تقاطع الزراعة الرقمية والذكاء الاصطناعي آفاقًا جديدة في مجال رفاهية الحيوانات. لقد تسرب الذكاء الاصطناعي إلى صناعات مختلفة، ويعود تطوره وقابليته للتكيف إلى جهد تعاوني متعدد التخصصات يشمل محترفين مثل علماء الحيوان، وعلماء الحاسوب، ومهندسي الزراعة، وعلماء البيئة. إن دمج أحدث تقنيات الذكاء الاصطناعي في ممارسات رفاهية الحيوانات هو تطور ملحوظ.

الشكل 1. أنظمة وأساليب تربية الأغنام المتقدمة التي تستخدم التقنيات الرقمية والذكاء الاصطناعي (AI) لتحسين تربية الأغنام.
تحديد الذكاء الاصطناعي كحل مستدام لتلبية الاحتياجات المتطورة للصناعة. في هذا السياق، فإن البحث السريع في الذكاء الاصطناعي من أجل رفاهية الأغنام ليس استثناءً. لقد أظهر البحث العالمي إمكانية دمج الذكاء الاصطناعي لتعزيز الكفاءة عبر جوانب متعددة من تربية الأغنام، بما في ذلك رفاهية الأغنام، إدارة الأمراض، مراقبة السلوك، تحسين عمليات التغذية، والإشراف البيئي (الشكل 1).

إن التغطية الشاملة للمشهد الديناميكي للتقنيات الناشئة، مع التركيز على كل من الرقمنة وتقنيات الذكاء الاصطناعي المتطورة، وتأثيرها الجماعي على تحسين رفاهية الأغنام أمر ضروري. بالإضافة إلى ذلك، فإن تحديد التحديات الكبيرة أمر بالغ الأهمية، مما يستدعي الكشف عن اتجاهات جديدة للبحث المستقبلي. الهدف الشامل هو تعزيز التكامل الفعال والمستدام للذكاء الاصطناعي في ممارسات تربية الأغنام الحديثة.

لقد وُجد أن استخدام الكلاب في إدارة وحماية الأغنام من المفترسات فعال للغاية منذ العصور القديمة (زينغارو وآخرون، 2018). ومع ذلك، لوحظ أن هذه الطريقة يمكن أن تسبب إجهادًا مزمنًا في الأغنام، يتميز بارتفاع مستويات الكورتيزول، ويرجع ذلك أساسًا إلى الطبيعة الضعيفة والاجتماعية للأغنام (لجنة EFSA المعنية بصحة ورفاهية الحيوانات، 2014؛ تيرلو وآخرون، 2008). يمكن أن تتراوح عواقب هذا الإجهاد من الإصابات الجسدية إلى الإجهاض في الأغنام (فيثيان وآخرون، 2011). وبالتالي، فإن ردود الفعل السلبية التي تثيرها وجود هذه الكلاب تبرز أهميتها ولكنها تثير أيضًا مخاوف بشأن استخدامها في الرعي (بيوسوليه وآخرون، 2012).

بديل أكثر وعدًا لاستخدام الكلاب هو دمج أنظمة الرعي الذاتية مع الذكاء الاصطناعي. تم استكشاف الطائرات بدون طيار لهذا الغرض؛ وهو مفهوم يعرف باسم “الرعي من السماء”. أظهرت أبحاث يكسلي وآخرون (2021) الإمكانيات التي تتمتع بها الطائرات بدون طيار كبديل للكلاب في تقليل التوتر بين الأغنام في المزارع. يمكن برمجة الطائرات بدون طيار لإصدار إشارات صوتية متنوعة لاستدعاء استجابات محددة من قطعان الأغنام. بالإضافة إلى ذلك، خلال العمليات الليلية، يمكن استخدام الطائرات بدون طيار المزودة بكاميرات حرارية للكشف عن التهديدات المحتملة وإطلاق الإنذارات في حالة وجود متسللين (بوندي وآخرون، 2019). نظام مراقبة آخر يحاكي الطبيعة يستخدم خوارزميات الرعي ويمكنه التكيف مع الظروف البيئية المتغيرة أثناء توجيه وحماية الأغنام، مما يمنعها من دخول المناطق الحساسة أو المحظورة (سترومبوم وكينغ، 2018).

يستخدم السياج الافتراضي نظامًا حاسوبيًا لديه القدرة على إنشاء حدود هندسية مخصصة دون استخدام أي حاجز مادي أو سياج. من ناحية أخرى، يُعرف السياج المادي التقليدي (مع حدود مرئية) داخل مزارع الأغنام بمشاكل الصيانة المرتبطة به والنفقات العالية. يحتاج الأمر إلى ما لا يقل عن 3.5 ميل من سياج الأسلاك الشائكة لتأمين مزرعة مساحتها 500 فدان (ليبسشيتز، 2019). يقدم اعتماد تقنية السياج الافتراضي (تكنولوجيا بدون سياج) العديد من المزايا بما في ذلك الحفاظ على الحياة البرية، وتقليل الرعي المفرط، والفعالية من حيث التكلفة. تعتمد هذه التكنولوجيا المدفوعة بالذكاء الاصطناعي على نظام سياج افتراضي قائم على نظام تحديد المواقع العالمي (GPS)، مما يجعل الحواجز المادية غير ضرورية. عندما تحاول الأغنام اختراق الحدود الافتراضية، تتعرض إما لإشارة صوتية أو تتلقى تحفيزًا كهربائيًا خفيفًا عبر طوق رقبة رقمي (برونبرغ وآخرون، 2017؛ جاكوسكي وآخرون، 2014؛ أومستاتر، 2011).

استجابةً للمخاوف الأخلاقية المحيطة باستخدام التحفيز الكهربائي، قام ماريني وآخرون (2018) بتصميم نظام يستخدم فقط الإشارات الصوتية لردع الأغنام عن عبور الحدود الافتراضية. لقد أظهر هذا النهج الذي يعتمد على الإشارات الصوتية وحدها فعاليته أيضًا. إن استخدام الإشارات الصوتية لتقييد
الأغنام داخل حظيرة افتراضية مدعومة أيضًا بدراسات أخرى (Kleanthous et al., 2022; Campbell et al., 2021). دراسة حديثة أجريت على الأغنام في أستراليا استخدمت نفس إشارات الصوت من جهاز طوق الرقبة. هنا تم تعديل نظام eShepherd للأبقار. تم استخدام الجهاز. كانت الأغنام قادرة على التعلم من الإشارات الصوتية للبقاء ضمن منطقة محددة دون أي حاجز مادي. كانت هناك بعض الانتهاكات للحدود الافتراضية حيث لم يكن الجهاز مصممًا في الأصل للاستخدام على الأغنام. لذلك، قد يثبت خوارزمية أكثر تحديدًا أنها تحقق نتائج أفضل للأغنام. علاوة على ذلك، قد تستجيب سلالة الأغنام ذات الصوف الكثيف حول الرقبة بشكل أقل لنفس الإشارات الصوتية مقارنة بسلالة الأغنام ذات الصوف الأقل. يمكن أيضًا أن تطور الأغنام عدم الحساسية تجاه الإشارات الصوتية مع مرور الوقت وقد يتطلب الأمر إشارة صوتية أكثر كثافة (كامبل وآخرون، 2023).

في مجال تربية الأغنام، كان هناك تطور ملحوظ في استخدام أدوات التشخيص التي تتضمن تقنيات الذكاء الاصطناعي وخوارزميات التعلم الآلي لتحديد المشكلات الصحية المحتملة. على سبيل المثال، ركزت دراسة على تطبيق الذكاء الاصطناعي لتقييم بيانات الهيستولوجيا، مما أدى إلى تحسين ملحوظ في نموذج انحطاط القرص الفقري (IVD) المعروف في الفئران. كما أن هذا النظام يحمل وعدًا بالكشف عن التغيرات التنكسية في القرص الفقري في الأغنام (ألين وآخرون، 2023). علاوة على ذلك، أصبح الكشف المبكر عن الأمراض التنفسية في الأغنام ممكنًا من خلال تطبيق أساليب التعلم العميق (كوتون وآخرون، 2018). بالإضافة إلى ذلك، أظهرت تقنية التوأم الرقمي (DT) المبنية على الذكاء الاصطناعي إمكانات كبيرة في تحسين تحليل الأمراض والتنبؤ بها، محققة نتائج مثيرة للإعجاب. معدل الاستجابة في تحليل نبضات قلب الحيوانات الزراعية (ميشرا وشارما، 2023). يمكن أن يتنبأ تقدير وزن جسم الأغنام بالكثير عن صحة الأغنام. صمم غونزاليس-غارسيا وآخرون (2018) نظام وزن متحرك لمراقبة الأغنام الخفيفة الوزن. يتضمن تطوير آخر تقدير الوزن الحي للأغنام باستخدام LiteHRNet، وهو شبكة خفيفة وعالية الدقة تستخدم صور RGB-D، مما يوفر نهجًا فعالًا وغير تلامسي (هي وآخرون، 2023).

تُستخدم تقنيات الرؤية الحاسوبية التي تعتمد على التصوير الحراري بالأشعة تحت الحمراء وتحليل الصور المرئية أيضًا لتعزيز مراقبة الأمراض التنفسية (خوركيرا-تشافيز وآخرون، 2019). أجريت دراسة بواسطة زانغ وآخرون (2019) استخدمت التكنولوجيا بالأشعة تحت الحمراء لقياس درجة حرارة جسم الحيوانات في مزرعة كبيرة، ويمكن دمج هذه التكنولوجيا مع أدوات الذكاء الاصطناعي لمراقبة درجة حرارة جسم الحيوانات الزراعية بشكل آلي. تم اقتراح عدة نماذج قائمة على الذكاء الاصطناعي لعلاج أمراض الأغنام. تم اختبار نظام مدمج يستخدم الطائرات بدون طيار يهدف إلى علاج الهيداتيوديس بنجاح (كابوتو وآخرون، 2022).

ركز تطبيق التعلم الآلي في تحديد الأمراض غالبًا على التعرف على الصور. على سبيل المثال، لتصنيف دقيق للأورام الجلدية والثديية، تمتلك الخوارزميات المعتمدة على التعلم الآلي القدرة على تحليل صور شرائح الأنسجة تلقائيًا. تُظهر هذه الخوارزميات القدرة على التمييز بين فئات الأورام وغير الأورام (بوراي وآخرون، 2023؛ فراجوسو-غارسيا وآخرون، 2023). تم تطبيق التعلم الآلي بالفعل على مشاكل التصنيف الوبائي في علوم الحيوان، على سبيل المثال، للتنبؤ بالتعرض لفيروس الإسهال الفيروسي البقري على مستوى القطيع وتوزيع تعرض القطيع لدودة الكبد. تم تطبيقه مؤخرًا في التحقيق في نموذج انتقال مسببات التهاب الضرع في الماشية (ستربتوكوكوس أوبرس) وتشخيص التهاب الضرع تحت السريري والسريري على مستوى الحيوان الفردي. باستخدام بيانات من 1000 مزرعة، تمكنت خوارزميات الغابة العشوائية من تكرار تشخيصات معقدة على مستوى القطيع قام بها متخصصون بيطريون بدقة عالية. تم تحقيق دقة قدرها وقيمة تنبؤية إيجابية (PPV) قدرها وقيمة تنبؤية سلبية (NPV) قدرها تم تحقيقها لتشخيص التهاب الضرع البقري المعدي مقارنةً بالتهاب الضرع البيئي. يمكن أن يساعد استخدام أداة تشخيص التهاب الضرع الآلي والدقيق الأطباء البيطريين غير المتخصصين في إجراء تشخيص سريع على مستوى القطيع وتنفيذ تدابير السيطرة المناسبة في الوقت المناسب لمرض ضار من حيث صحة الحيوان وإنتاجيته ورفاهيته واستخدامه
المضادات الحيوية (كوكنبورن، 2020).

لا يزال استخدام المجهر الضوئي التقليدي هو المعيار الذهبي لتحديد الطفيليات المعوية في عينات البراز، ويرجع ذلك أساسًا إلى تكلفته المعقولة وتوافره الواسع. ومع ذلك، فإن لهذه الطريقة عدة قيود، بما في ذلك كونها تستغرق وقتًا طويلاً، وتتطلب جهدًا كبيرًا، وأقل حساسية، وعرضة لتحيزات التفسير (موراي، 2015). لمعالجة هذه العيوب، ظهر دمج الذكاء الاصطناعي (AI) في مختبرات الميكروبيولوجيا السريرية والطفيليات كبديل واعد، قادر على تقديم نتائج دقيقة وحساسة وسريعة. طور مجموعة من الباحثين نموذج شبكة عصبية تلافيفية (CNN) من خلال دمج مسح الشرائح الرقمية مع الذكاء الاصطناعي، مما يظهر قدرته على التمييز بين الشرائح الثلاثية الإيجابية والسلبية. أظهر هذا النموذج حساسية ودقة متفوقتين مقارنة بالفحص اليدوي (ماثيسون وآخرون، 2020). استخدمت دراسة أخرى نموذج شبكة عصبية عميقة مدربة تركز تلقائيًا على الشرائح المجهرية وتقوم بمسحها لتحديد بيض الشستوسوما (أويبو وآخرون، 2022).

بالإضافة إلى ذلك، استكشفت دراسات مختلفة طرقًا أفضل لاكتشاف الطفيليات. استخدمت مجموعة من الدراسات غشاء فلتر بحجم مسام 5 لالتقاط كيسات الجيارديا المعلّمة بالفلوريسنت، تلاها التقاط الصور من خلال كاميرا مثبتة على المجهر (كوديمير وآخرون، 2015) أو جهاز قياس تدفق تصوير محمول (غوروتس وآخرون، 2020). تُستخدم خوارزميات التعلم الآلي المدربة لاكتشاف كيسات الجيارديا لمعالجة هذه الصور، مما يحقق اكتشافًا دقيقًا وعدًا. علاوة على ذلك، تتضمن الطرق الناشئة استغلال قوة التعلم الآلي لتحليل طيف الكتلة بتقنية تفريغ الليزر المساعد بالمصفوفة/الوقت (MALDI-TOF) وبيانات تسلسل الجينوم الكامل. يحمل هذا النهج وعدًا في التنبؤ بمقاومة الأدوية، واكتشاف التفشي، وتعزيز التشخيصات (سميث وآخرون، 2020). في السوق، يوجد ماسح آلي مدعوم بالذكاء الاصطناعي يعرف باسم “VETSCAN IMAGYST “, والذي يستخدم خوارزميات التعلم العميق لتحديد البيض في شرائح البراز (ناغاموري وآخرون، 2020).

علاوة على ذلك، عرضت بعض الدراسات استخدام برامج متخصصة للغاية قادرة على تحليل الصور على الهواتف الذكية وتوفير عدد بيض البراز، مما يقلل الاعتماد على العد اليدوي. هذه الطريقة عملية حيث تأتي الهواتف الذكية الحديثة مزودة بأجهزة استشعار مدمجة وتقدم حلاً فعالاً من حيث التكلفة لمجهرية العمل الشاقة (كوان وآخرون، 2016). وقد اكتسبت أنظمة العد السريعة والميدانية التي تشمل تطبيقات الهواتف الذكية والتعلم الآلي اعترافًا كآليات عد موثوقة (باكي وآخرون، 2023). في سياق المجترات الصغيرة، يُستخدم نظام تقييم فاماشا© بشكل شائع لاكتشاف عدوى هيمونشوس كونتورتوس من خلال تقييم لون الغشاء المخاطي الملتحمي العيني (فان ويك وباث، 2002). تعتبر الأغنام المصابة بفقر الدم والتي لديها غشاء ملتحمي عيني أبيض إيجابية للعدوى، مما يسهل التدخلات المستهدفة لتطهير الديدان. في هذا الصدد، اقترحت دراسة تطبيقًا قائمًا على الهاتف الذكي يستخدم كاميرا الهاتف الذكي لتصوير الغشاء المخاطي الملتحمي العيني، مصنفة الحيوان كصحي أو مصاب بفقر الدم (دي سوزا وآخرون، 2023).

أدى استخدام الأتمتة في تربية الأغنام إلى زيادة إنتاجية المنتجات الحيوانية. لتعزيز اتخاذ القرار في إدارة الحيوانات، من الضروري التركيز على جمع البيانات في الوقت الحقيقي من المزرعة (لويس بايدا وآخرون، 2021). يعد تحديد الأغنام الفردية في المزرعة وسلوكياتها المختلفة أمرًا حيويًا لمراقبة صحتها وممارسات الزراعة الأخرى (جين وآخرون، 2022ب، 2022أ). طور دور وآخرون (2021) نظام تتبع آلي يعتمد على رادارات الموجات المليمترية والذي يوفر مراقبة دقيقة وفي الوقت الحقيقي للحيوانات. يتفوق هذا النظام على تتبع الفيديو التقليدي لأنه غير حساس لتغيرات الضوء، ويتطلب طاقة معالجة أقل، ويوفر دقة متفوقة. يمكن دمج البيانات الناتجة في

أنظمة قائمة على الذكاء الاصطناعي قادرة على تنبيه المزارعين لأي تغييرات غير مرغوب فيها. أنشأ وانغ وآخرون (2021) نظامًا متعدد المستشعرات القابل للارتداء لتقييم راحة تربية الأغنام. وضع مكليلان وماحمود (2019) نظامًا آليًا قادرًا على اكتشاف التغيرات في تعبيرات وجه الأغنام التي تشير إلى الألم.

لقد مكنت التقدمات في تقنيات التعلم العميق ورؤية الكمبيوتر من إدارة الحيوانات بدقة وزيادة الربحية. إن التعرف الدقيق على الأغنام وعدها أمر أساسي للزراعة الفعالة على نطاق واسع (Song et al., 2022). في الوقت الحاضر، تعتمد معظم المزارع في جميع أنحاء العالم على العد اليدوي، الذي له عيوب مثل العد المزدوج، وال omissions، وانخفاض الكفاءة، ومتطلبات العد المتكررة. لذلك، فإن رقمنة عد الأغنام تكتسب المزيد من الجاذبية في العالم الحديث. قدمت دراسات متنوعة طرقًا مختلفة لعد الأغنام، بما في ذلك تلك التي استخدمها Zhang et al. (2022) الذين استخدموا كشف رأس الماعز والأتمتة المعتمدة على الذكاء الاصطناعي من خلال التعلم العميق. استخدم Sarwar et al. (2018) شبكة عصبية تلافيفية (CNN) لعد الأغنام، بينما استخدم Deng et al. (2022) خوارزمية “You Only Look Once version 5” (YOLOv5) لعد الأغنام وإدارتها. عائلة YOLO فريدة جدًا في هذا الصدد. إنها نموذج ذكاء اصطناعي يكشف عن هدف في الصور أو الفيديوهات. يستخدم هذا النظام المتكامل كاميرا لالتقاط الصور أو الفيديوهات وإدخال الوسائط إلى نظام YOLO. يمكن للنظام تحديد الأهداف بدقة، مثل الأغنام، الموجودة ضمن الوسائط المدخلة، مما يوفر قدرات فعالة في الكشف والعد.

على الرغم من أنه كان يُعتقد لفترة طويلة أن العمليات البيولوجية التي تشمل الكائنات الحية معقدة للغاية بحيث لا يمكن التحكم فيها ومراقبتها تلقائيًا، فإن الذكاء الاصطناعي يفتح آفاقًا لتطوير أدوات مراقبة وإدارة آلية تمامًا عبر الإنترنت للحيوانات. يمكن مراقبة الإدارة الفعالة ورفاهية الأغنام في المزارع وكذلك أثناء نقلها بين المزارع من خلال مراقبة ديناميات مجموعات الأغنام، ومواقعها، وسلوكياتها، ومؤشرات الفسيولوجية. إن المراقبة المنتظمة لسلوك الأغنام قيمة للكشف المبكر عن الأمراض أو أي انزعاج قد تعاني منه الأغنام في بيئتها، مما يمكّن المزارعين من تعزيز رفاهيتها (Xu et al., 2021). الطريقة الشائعة المستخدمة لتتبع سلوك الحيوانات هي المراقبة اليدوية، لكن هذه الطريقة غير فعالة وتستغرق وقتًا طويلاً وغير عملية للمزارع الكبيرة (Keceli et al., 2020).

يتضمن تطبيق الذكاء الاصطناعي وتعلم الآلة في مراقبة الأغنام في المزارع تفاعل خوارزميات الكمبيوتر، ومجموعة متنوعة من أجهزة الاستشعار الحيوية، وتقنيات جمع البيانات. تُستخدم أجهزة الاستشعار الحيوية لجمع بيانات في الوقت الحقيقي حول جوانب مختلفة مثل سلوك الحيوانات، ومدخول الطعام، والصحة، والظروف البيئية. ثم يتم معالجة البيانات وتقييمها باستخدام نظام تحليل البيانات، مما يؤدي إلى مجموعات بيانات مرتبة ذات أهمية قصوى تساعد المزارعين في اتخاذ قرارات في الوقت المناسب بشأن رفاهية الأغنام (Mate et al., 2022). تم اعتماد العديد من خوارزميات تعلم الآلة من قبل الباحثين لمراقبة سلوك الحيوانات في بيئات المزارع، بما في ذلك دراسات Cheng et al. (2022) و Hu et al. (2023). استخدموا نموذج YOLO5 لتحليل السلوك. قام النموذج أولاً بمعالجة الصور المدخلة للأغنام الرعوية لتدريب نفسه على التعرف على سلوك الأغنام الطبيعي. ثم يقوم النموذج بإرسال إنذار إذا تم ملاحظة سلوك مختلف. في دراسة أخرى، استخدم الباحثون أجهزة استشعار GPS ومقاييس تسارع ثلاثية الأبعاد مثبتة على الرقبة. تم تصوير مقاطع فيديو للحيوانات أثناء عملية الرضاعة، والرعي، والاستلقاء، والوقوف بثبات. تم تدريب نموذج ذكاء اصطناعي أولاً لاكتشاف نمط السلوك باستخدام مدخلات على شكل مقاطع فيديو وبيانات مقاييس التسارع. يمكن للنموذج المتعلم بعد ذلك التنبؤ بدقة بسلوك الحيوان عن بُعد باستخدام GPS (Cabezas et al., 2022; Barwick et al., 2018).

في تربية الأغنام، يمكن أن تشمل الشذوذ المحتملة علامات المرض، أنماط غير عادية في سلوك القطيع، وظروف بيئية غير متوقعة، من بين عوامل أخرى. لقد تم تطوير نماذج توقع دقيقة
تم بناء نظام يرسل تنبيهات للمزارعين بناءً على بيانات مدخلة من الحيوانات والبيئة ويمكن أن يساعد في اكتشاف أي انحراف عن ما هو طبيعي. يمكن للمزارعين تنفيذ استراتيجيات إدارة تصحيحية بسهولة بفضل المعلومات الشاملة التي تقدمها الذكاء الاصطناعي حول حالة حيواناتهم. تجعل التطورات التكنولوجية المستمرة من الممكن إنشاء أدوات تشخيصية قادرة على تحديد الشذوذ دون التسبب في ضغط على الحيوان. وهذا يمكنهم من اكتشاف تفشي الأمراض قبل أيام من أن يصبح المزارعون على علم به (كينغ، 2017؛ غريفيث وآخرون، 2013). في المستقبل القريب، من المحتمل أن تطير الطائرات بدون طيار (UAVs) كل صباح فوق مزارع الحيوانات لتحديد الشذوذ المحتمل. تُعرف ببساطة باسم “الطائرات المسيرة”، توفر UAVs تغطية واسعة ويمكنها جمع البيانات في الوقت الحقيقي. طور جين وآخرون (2022ب، 2022أ) نموذج ذكاء اصطناعي يستخدم مقاطع الفيديو التي تلتقطها الطائرات المسيرة. تم تدريب النموذج لاكتشاف الشذوذ المحتمل. على الرغم من أنه لم يتم اختباره على مزارع الأغنام، فإن أنظمة مثل هذه لديها القدرة على أن تُستخدم في تربية الأغنام على نطاق واسع. من عيوب هذا النظام هو الاحتمالات العديدة للشذوذ المختلفة، مما يجعل من الصعب تدريب النظام على اكتشاف كل شذوذ محتمل.

تقييم رفاهية الماشية أمر ضروري لمنع أي تدهور في رفاهيتها، وتعزيز الإنتاجية، وتحديد علامات التوتر والإصابات. في الآونة الأخيرة، أصبح هذا التقييم أيضًا جزءًا من استراتيجيات التسويق، حيث يزداد طلب المستهلكين على المعاملة الإنسانية للحيوانات في المزارع (فوينتس وآخرون، 2022). تم تطوير خوارزميات رؤية الكمبيوتر لتحديد الشذوذ في بيئة المزرعة، مثل وجود المركبات، أو المتسللين، أو الوصول غير المصرح به. أحد أنظمة الكشف هذه، التي طورها يانغ وآخرون (2021)، يعتمد على شبكة عصبية تلافيفية (CNN). تعتبر شبكة CNN نظام تعلم عميق يمكنه معالجة الصور والتعرف على الأنماط داخلها. في هذه الدراسة، استخدموا شبكة CNN للتعرف على العنف بين الحيوانات. تم إدخال آلاف الصور من سيناريوهات العنف وغير العنف إلى شبكة CNN لتدريبها على اكتشاف العنف. كان نموذجهم قادرًا على اكتشاف العنف في مزارع الأغنام بـ الدقة. هذا مهم في تقليل الخسائر من حيث إصابات الحيوانات. أخيرًا، يجب أن يكون نظام الكشف عن الشذوذ الفعال قادرًا على اكتشاف المشكلات مسبقًا وأن يمتلك قدرات تنبؤية دقيقة، مما يتطلب غالبًا دمج تقنيات قائمة على الذكاء الاصطناعي (كوزيتسين وآخرون، 2021).

يشير مصطلح “التغذية الدقيقة” إلى ممارسة توفير الأعلاف للحيوانات الزراعية بكميات وتركيبات تتماشى مع احتياجاتها الغذائية المحددة ومتطلبات أجسامها (غونزاليس وآخرون، 2018). تم تطوير مجموعة متنوعة من المستشعرات والتقنيات لمراقبة تغذية المجترات. يشمل ذلك أدوات تحليلية مثل دمج البيانات، وتعلم الآلة، وتقنيات التحسين التي يمكن دمجها مع هذه البيانات (كوكبورن، 2020؛ غونزاليس وآخرون، 2018). في التحقيق الذي أجراه بوسكو وآخرون (2021)، لوحظ أن اعتماد التغذية الدقيقة أدى إلى تقليل ملحوظ في البصمة البيئية المرتبطة بإنتاج حليب النعاج. وقد نتج هذا الانخفاض عن تحسين كبير في كفاءة إنتاج الحليب، حيث تم تحقيق زيادة تصل إلى التفاعل المنتظم مع الأغنام أثناء الحلب في بيئات تربية الأغنام الواسعة يوفر بيانات قيمة يمكن الاستفادة منها لتحسين التربية والتغذية وإدارة القطيع من خلال استغلال التقدم التكنولوجي (Vaintrub et al., 2021).

فيما يتعلق بتقدير استهلاك الأغنام من العلف، والذي يُستند عادةً إلى استهلاك العلف لدى الماشية، فقد تم دراسته بشكل أوسع. لكن يبدو أن هذه الطريقة غير مناسبة. التحليل الدقيق لاستهلاك الأغنام من العلف مهم كمؤشر على صحة الأغنام. في هذا الصدد، استخدمت دراسة أجراها وانغ وآخرون (2022) الإشارات الصوتية الناتجة عن مضغ العلف بواسطة الأغنام. يمكن التقاط هذه الإشارات بواسطة جهاز طوق الرقبة ومعالجتها بواسطة أداة تعلم الآلة للتنبؤ بأي تغييرات في سلوك التغذية كمؤشر على المرض. يمكن تمييز الإشارات الصوتية الناتجة عن العض والمضغ والتمتع. كما يُستخدم مثل هذا النظام لتتبع استهلاك العلف من قبل الأغنام الفردية. هذه المعلومات مهمة عند تطبيق الرعي الدائري للحصول على
تقدير احتياجات المراعي لعدد محدد من الأغنام لكل هكتار (شينغ وآخرون، 2020). استخدمت دراسة مثيرة نموذج ذكاء اصطناعي للتنبؤ بمدخول الطاقة القابلة للاستخدام (MEI) باستخدام جهاز استشعار قابل للارتداء. قام الجهاز بالكشف عن وقت الرعي، والسرعة، ودرجة الحرارة، ومؤشرات أخرى. إن تقدير MEI بدقة مهم لتغذية الماشية بدقة (سوبارويتو وآخرون، 2021).

يمكن أن تسهم الرقمنة واستخدام الذكاء الاصطناعي بشكل كبير في تحسين تربية الأغنام من خلال تمكين مراقبة البيانات التناسلية، والاختيار الجيني، وتوفير دعم القرار. يشمل ذلك تحسين جداول التزاوج، وتتبع بيانات الحرارة، وتحديد أزواج التزاوج المثلى، واختيار الصفات الجينية المرغوبة، وتوقع قيم التزاوج. في تربية الحيوانات الحديثة، يعد الوصول إلى بيانات سلالات دقيقة وأدوات حسابية متطورة أمرًا أساسيًا. تم تطوير تطبيق عبر الإنترنت يعتمد على الذكاء الاصطناعي يسمى “مربي الأغنام الذكي” (SSB) لتسجيل بيانات الأداء تلقائيًا وإجراء تحليلات بيومترية، مما يساعد المزارعين في اتخاذ قرارات مستنيرة (حماداني وغاني، 2022). كما أظهرت الأبحاث أن تقنيات التعلم الآلي يمكن أن تتنبأ بدقة بقيم تربية الأغنام، مما يوفر بديلاً أكثر فعالية للاستراتيجيات التقليدية (حماداني وآخرون، 2022). علاوة على ذلك، أجرت كيشافارزي وآخرون (2020) دراسة تركزت على قدرات نموذج التعلم الآلي في توقع معدلات الإجهاض في الحيوانات الزراعية. قدم كورتشو (2023) ورقة مؤتمر تناقش استخدام الذكاء الاصطناعي لتحسين التخصيب في المختبر (IVF) من خلال تعزيز السلامة والدقة وسهولة الوصول.

لتطبيق الذكاء الاصطناعي في التربية، هناك حاجة إلى كميات كبيرة من البيانات حول الصفات الوراثية والظاهرة. قد لا تكون هذه البيانات متاحة لجميع مزارع الحيوانات. من ناحية أخرى، يعتمد الذكاء الاصطناعي.
التربية أكثر عرضة لانخفاض التنوع الجيني. أدوات دعم التربية مكلفة واستخدامها معقد بالنسبة للمزارع العادي.

تواجه تربية الأغنام التقليدية تحديات كبيرة تتمثل في التكاليف العالية، وضيق الوقت، وعدم الاعتمادية. وقد ركزت الأبحاث الحديثة بشكل كبير على تطوير تطبيقات الهاتف المحمول المعتمدة على الذكاء الاصطناعي والأجهزة المتكاملة مع الهواتف المحمولة المصممة لتعزيز رفاهية الأغنام. نظرًا لأن المزارع تقع عادة في المناطق الريفية، يمكن أن تؤدي الفجوات في التواصل بين المزارعين والأطباء البيطريين إلى خسائر مالية (باركيما وآخرون، 2018؛ فيلدي وآخرون، 2018). تعمل التطبيقات المعتمدة على الهاتف المحمول على سد هذه الفجوة، مما يسمح للمزارعين بالبقاء على اتصال مع الأطباء البيطريين وتتبع تقارير صحة حيواناتهم. تركز العديد من هذه التطبيقات بشكل أساسي على إدارة البيانات من مزارع الأغنام، مثل تطبيق Sheep App، وMy Sheep Manager، وOvine Pro (الجدول 1). تلبي بعض التطبيقات احتياجات محددة مثل حاسبة خلط الأعلاف التي تساعد المزارعين على تحسين محتوى علف حيواناتهم، وGestimator، وهي حاسبة لفترة حمل الحيوانات. بالإضافة إلى ذلك، تم إنشاء أجهزة للعمل بالتزامن مع الهواتف المحمولة، مثل LSR-YOLO الأحدث، وهو جهاز للتعرف على الوجوه في الوقت الحقيقي (تشانغ وآخرون، 2023). يعتمد هذا النظام على نظام التعرف على وجه الأغنام عبر الهاتف المحمول. يمكن للنظام التعرف على وجه الأغنام باستخدام كاميرا الهاتف المحمول من خلال مطابقة الصورة مع صور سابقة لنفس الأغنام. هذه مثال كلاسيكي على تقديم حلول حديثة للمزارعين لإدارة أغنامهم. يمكن تتبع جوانب مختلفة من تربية الأغنام بما في ذلك حالة الحمل، وتربية الرفاهية، ومعلومات التطعيم للأغنام بسهولة باستخدام نظام التعرف على الوجه السريع والدقيق.

لقد أحدثت الرقمنة ثورة بالفعل في تربية الأغنام ومن المتوقع أن تعزز رفاهية الحيوانات والإنتاجية واتخاذ القرار في المستقبل. ومع ذلك، بينما تتقدم الذكاء الاصطناعي وتعلم الآلة بسرعة، إلا أنها لا تزال تواجه بعض التحديات. لا يزال تطوير الخوارزميات المناسبة والتحقق من صحتها يمثل تحديًا.

عند تنفيذ التعلم الآلي. يجب تطوير خوارزميات قوية وموثوقة ومخصصة. يجب أن تكون الحلول لممارسات الزراعة الحديثة قابلة للتكيف مع أحجام ومواقع جغرافية متنوعة ويجب أن تكون سهلة الاستخدام لتشجيع المزارعين على اعتمادها. بالإضافة إلى ذلك، يجب على الباحثين معالجة القضايا الأخلاقية وخصوصية البيانات التي يثيرها مزارعو الأغنام.

على الرغم من المزايا العديدة التي تقدمها الرقمنة، مثل تقليل متطلبات العمل، من المهم الاعتراف بالدور الحاسم للتدخل البشري. من الضروري تعزيز التعاون القوي بين المزارعين والأطباء البيطريين. تلعب خدمات الاتصال والاستشارة البيطرية دورًا محوريًا في هذا السياق، كما أكد باردي وآخرون (2019). إن غياب نشر المعرفة الفعّالة هو أحد الأسباب التي تجعل مربي الأغنام في جميع أنحاء العالم لا يزالون يتبعون طرق الزراعة التقليدية، التي تأتي مع العديد من العيوب وتعيق الكفاءة العامة للصناعة. تتطلب الرقمنة الحالية في تربية الأغنام مراقبة دقيقة لضمان رفاهية الحيوانات. وقد تم إثارة هذه القضية من قبل نيثيراجان (2023)، مشددًا على أن النهج المتوازن، الذي يجمع بين الخبرة البشرية والرقمنة، هو الطريق إلى الأمام.

من المحتمل أن لا يستفيد مزارعو الأغنام الصغار من استخدام الذكاء الاصطناعي. وذلك لأن خوارزميات الذكاء الاصطناعي تعتمد على مجموعات بيانات كبيرة للتدريب والتحقق، خاصة النماذج التي تقوم بعمليات التنبؤ. في مزارع الأغنام الصغيرة، قد لا تكون هذه النماذج موثوقة دائمًا لأنها قد لا تنتج نتائج قابلة للتنبؤ. كما أن البيانات ذات الجودة الضعيفة يمكن أن تؤدي إلى تنبؤات غير دقيقة. علاوة على ذلك، تتطلب هذه التكنولوجيا استثمارًا ماليًا كبيرًا في المعدات والخبرة. لذلك، فإن الوصول إلى مثل هذه التحديثات هو التحدي الكبير التالي. من ناحية أخرى، قد لا ينتج نموذج التعلم الآلي المدرب في منطقة نموذجية نفس النتائج كما في مناطق أخرى.
تُعتبر المناطق لأنها تم تدريبها على إنتاج نتائج في بيئة معينة. يمكن أخذ مثال من أنظمة مراقبة الصحة المعتمدة على الذكاء الاصطناعي. تعتمد هذه الأنظمة على جمع أنواع مختلفة من البيانات مثل سلوكيات التغذية، مستوى النشاط، درجة الحرارة، معدل ضربات القلب، والأهم من ذلك، الظروف البيئية. يمكن أن تؤثر الظروف البيئية المختلفة على قابلية التنبؤ لهذه الأنظمة. تشمل هذه الظروف درجة الحرارة، مستويات الرطوبة، أنماط الهطول، التغيرات الموسمية، الموقع الجغرافي، الارتفاع، وخصائص التضاريس. لذلك، فإن التكيف الواسع النطاق يمثل تحديًا. تستخدم العديد من نماذج الذكاء الاصطناعي نظام تحديد المواقع العالمي (GPS) وأجهزة استشعار أخرى، مما يتطلب اتصالاً سريعًا بالإنترنت مثل 5G. يمكن أن تؤثر العوامل البيئية مثل الطقس أو التضاريس أيضًا على هذه الأنظمة.

تُستخدم النماذج الجديدة المستندة إلى الذكاء الاصطناعي على حيوانات مختلفة بما في ذلك الأغنام، والماشية، والخيول، والدواجن، والخنازير، والماعز. هناك حاجة لأداء تحسين للمعلمات الخاصة بالنماذج الحالية المصممة لنوع واحد من الحيوانات (مثل الماشية) لتناسب نوعًا مختلفًا من الحيوانات (مثل الأغنام). لجعل الزراعة الدقيقة قابلة للتطبيق على نطاق واسع في العمليات الزراعية، يصبح دمج النمذجة الحاسوبية مع ممارسات الزراعة الدقيقة أمرًا أساسيًا (تيدسكي وآخرون، 2021). بشكل عام، نجحت التطورات في الذكاء الاصطناعي في زراعة الأغنام في معالجة العديد من التحديات السابقة وهي مستعدة لتقديم حلول إضافية لزراعة الأغنام المستدامة. يجب معالجة المخاوف الحالية المتعلقة بجودة البيانات، ورفاهية الحيوانات، والتكلفة، والقدرة على التكيف البيئي، وموثوقية هذه الأنظمة من خلال البحث والتطوير والتعاون بين التكنولوجيين، والمزارعين، وخبراء رفاهية الحيوانات.

تتنوع الجهود البحثية المستقبلية المعتمدة على الذكاء الاصطناعي. يمكن دمج مصادر البيانات متعددة الأنماط مثل صور الأقمار الصناعية، وبيانات الطقس، والمعلومات الجينومية مع بيانات المستشعرات في المزرعة. سيساهم ذلك في تعزيز القدرة التنبؤية لنماذج الذكاء الاصطناعي عبر مجالات مثل إدارة البيئة، وتوقع الأمراض، والاختيار الجيني. على الرغم من أن الهدف من استخدام الذكاء الاصطناعي في تربية الأغنام هو زيادة الإنتاجية، يجب أن تبحث الأبحاث المستقبلية أيضًا في أخلاقيات استخدام الذكاء الاصطناعي في تربية الأغنام لضمان معاملتها بشكل أخلاقي. أحد الاتجاهات البحثية المهمة هو إدارة الصحة التنبؤية باستخدام الذكاء الاصطناعي. لتحقيق تقليل الاعتماد على المضادات الحيوية وتحسين الصحة العامة للمزرعة، يمكن تحقيق الكشف المبكر عن الأمراض من خلال تطوير نماذج تنبؤية متقدمة.

يجب أن تبحث الأبحاث المستقبلية أيضًا في كيفية مساعدة الذكاء الاصطناعي في تربية الأغنام في ظل الظروف البيئية المتغيرة بسبب تغير المناخ. في هذا الصدد، يمكن إعطاء تركيز خاص على تعديل استراتيجيات التغذية، وتحسين استخدام الموارد، وإدارة الإجهاد الحراري. الأدوات الحالية للذكاء الاصطناعي معقدة في الاستخدام. يجب أن تركز الأبحاث على جعل هذه الأدوات سهلة الاستخدام، مما يحسن من سهولة اعتمادها. بشكل عام، فإن استخدام الرقمنة والذكاء الاصطناعي في تربية الأغنام يمثل حدودًا واسعة وواعدة، مع فرص وفيرة للبحث والابتكار الرائد.

أصبحت الرقمنة شائعة في جميع جوانب الحياة، وتهدف الذكاء الاصطناعي (AI) إلى جعل الحواسيب قادرة على الفهم، بينما يمكّن التعلم الآلي الحواسيب من اتخاذ القرارات دون برمجة صريحة. في مجال تربية الأغنام، أثبت تطبيق الرقمنة المدفوعة بالذكاء الاصطناعي أنه نعمة لكل من مربي الأغنام والأطباء البيطريين، مما يساهم في استدامة تربية الأغنام. لقد أدخلت تحسينات في إدارة الأغنام من خلال أنظمة عد متقدمة، وتحسين الكشف عن الأمراض والوقاية منها، والتغذية الدقيقة، واكتشاف الشذوذ، والتحكم في السلوك، والمزيد. يحمل استخدام الذكاء الاصطناعي في تربية الأغنام إمكانات هائلة حيث يعزز كفاءة الزراعة، مما يؤدي إلى زيادة الإنتاج. تشمل بعض التحديات التي تواجه تنفيذ تقنيات الذكاء الاصطناعي في تربية الأغنام التكلفة العالية، والحاجة إلى بيانات ضخمة، وإمكانية التنبؤات غير الدقيقة، والاعتبارات الأخلاقية، والمشاكل في التكيف مع بيئة جديدة، والتعقيد. تتطلب هذه التحديات المتعددة التخصصات التعاون بين الأطباء البيطريين، وعلماء الحاسوب، وعلماء سلوك الحيوانات، والمهندسين الزراعيين.

من خلال مثل هذه التعاون، يحمل البحث المستقبلي وعدًا بتعزيز كفاءة واستدامة تربية الأغنام بشكل كبير من خلال تطبيقات مبتكرة للرقمنة والذكاء الاصطناعي.

غير قابل للتطبيق.

غير قابل للتطبيق.

محمد فرقان أرشد: كتابة – المسودة الأصلية. أنطونيو فاركاسيا: إشراف، كتابة – مراجعة وتحرير. ماريا فرانشيسكا سيني: كتابة – مراجعة وتحرير. فهد أحمد: كتابة – مراجعة وتحرير. جيوفاني لاي: كتابة – مراجعة وتحرير. مارتا بوليناس: كتابة – مراجعة وتحرير. إليزابيتا أنتوفرمو: كتابة – مراجعة وتحرير. كلوديا تامبوني: كتابة – مراجعة وتحرير. رافاييلا كوكو: كتابة – مراجعة وتحرير. أندريا كوردّا: كتابة – مراجعة وتحرير. ماريا لويزا بينا بارباغليا: كتابة – مراجعة وتحرير.

يعلن المؤلفون أنهم ليس لديهم أي مصالح مالية متنافسة معروفة أو علاقات شخصية قد تبدو أنها تؤثر على العمل المبلغ عنه في هذه الورقة.

تم تطوير هذا العمل في إطار مشروع e. INS- نظام الابتكار للجيل القادم من سردينيا (رمز ECS 00000038) الممول من وزارة البحث والتعليم الإيطالية (MUR) بموجب خطة التعافي والمرونة الوطنية (NRRP) المهمة 4 المكون 2، “من البحث إلى الأعمال” الاستثمار 1.5، “إنشاء وتعزيز نظم الابتكار” وبناء “قادة البحث والتطوير الإقليميين”.

Alapala Demirhan, S., 2019. Sheep farming business in Uşak city of Turkey: economic structure, problems and solutions. Saudi J. Biol. Sci. 26, 352-356. https://doi.org/ 10.1016/j.sjbs.2018.10.004.

Aldridge, M.E., Fearon, J.E., Haynes, B.P., Miller, H.M., Sanford, K.Y., Scott, R.R., Anglin, W.W., Blalock, L.S., Burkes, B.L., Cohn-White, O.L., 2019. Solutions for grand challenges in goat and sheep. Biotropia (Bogor). 26, 55-64. https://doi.org/ 10.11598/btb.2019.26.1.944.

Alexandratos, N., Bruinsma, J., 2012. World Agriculture Towards 2030/2050: The 2012 Revision. Doi:10.22004/ag.econ. 288998.
Alini, M., Diwan, A.D., Erwin, W.M., Little, C.B., Melrose, J., 2023. An update on animal models of intervertebral disc degeneration and low back pain: exploring the potential of artificial intelligence to improve research analysis and development of prospective therapeutics. JOR Spine. 6, e1230 https://doi.org/10.1002/jsp2.1230.
Andresen, S.L., 2002. John McCarthy: father of Al. IEEE Intell. Syst. 17, 84-85. https:// doi.org/10.1109/MIS.2002.1039837.
Antonik, I., Nedosyekov, V., Pushkar, T., 2022. Artificial Intelligence for Animal Welfare. науково-практичної конференції науково-педагогічних працівників та, p. 213 https:// doi.org/619:614:253:17.023.35004:636.003.13.
Aubron, C., Cochet, H., Brunschwig, G., Moulin, C.-H., 2009. Labor and its productivity in Andean dairy farming systems: a comparative approach. Hum. Ecol. 37, 407-419. https://doi.org/10.1007/s10745-009-9267-9.
Bao, J., Xie, Q., 2022. Artificial intelligence in animal farming: a systematic literature review. J. Clean. Prod. 331, 129956 https://doi.org/10.1016/j. jclepro.2021.129956.
Bard, A.M., Main, D., Roe, E., Haase, A., Whay, H.R., Reyher, K.K., 2019. To change or not to change? Veterinarian and farmer perceptions of relational factors influencing the enactment of veterinary advice on dairy farms in the United Kingdom. J. Dairy Sci. 102, 10379-10394. https://doi.org/10.3168/jds.2019-16364.
Barkema, H.W., Orsel, K., Nielsen, S.S., Koets, A.P., Rutten, M.G., V.P, Bannantine, J.P., Keefe, G.P., Kelton, D.F., Ritter, C., Roche, S., Corbett, C.S., Wolf, R., Griebel, P.J., Kastelic, J.P., De Buck, J., W Barkema, C.H., 2018. Knowledge Gaps that Hamper Prevention and Control of Mycobacterium avium Subspecies Paratuberculosis

Infection, 65. Wiley Online Library, pp. 125-148. https://doi.org/10.1111/ tbed. 12723.
Barwick, J., Lamb, D.W., Dobos, R., Welch, M., Trotter, M., 2018. Categorising sheep activity using a tri-axial accelerometer. Comput. Electron. Agric. 145, 289-297. https://doi.org/10.1016/j.compag.2018.01.007.
Basciftci, F., Gunduz, K.A., 2019. Identification of acidosis disease in cattle using IoT, in: 2019. In: 4th International Conference on Computer Science and Engineering (UBMK). IEEE, pp. 58-62. https://doi.org/10.1109/UBMK.2019.8907035.
Beausoleil, N.J., Blache, D., Stafford, K.J., Mellor, D.J., Noble, A.D.L., 2012. Selection for temperament in sheep: domain-general and context-specific traits. Appl. Anim. Behav. Sci. 139, 74-85. https://doi.org/10.1016/j.applanim.2012.02.020.
Béné, C., Barange, M., Subasinghe, R., Pinstrup-Andersen, P., Merino, G., Hemre, G.I., Williams, M., 2015. Feeding 9 billion by 2050 – putting fish back on the menu. Food Secur. 7, 261-274. https://doi.org/10.1007/S12571-015-0427-Z.
Berckmans, D., 2017. General introduction to precision livestock farming. Anim. Front. 7, 6-11. https://doi.org/10.2527/AF.2017.0102.
Bondi, E., Oh, H., Xu, H., Fang, F., Dilkina, B., Tambe, M., 2019. Using Game Theory in Real Time in the Real World: A Conservation Case Study. AAMAS, pp. 2336-2338.
Bosco, S., Volpi, I., Cappucci, A., Mantino, A., Ragaglini, G., Bonari, E., Mele, M., 2021. Innovating feeding strategies in dairy sheep farming can reduce environmental impact of ewe milk. Ital. J. Anim. Sci. 20, 2147-2164. https://doi.org/10.1080/ 1828051X.2021.2003726.
Brunberg, E.I., Bergslid, I.K., Bøe, K.E., Sørheim, K.M., 2017. The ability of ewes with lambs to learn a virtual fencing system. Animal. 11, 2045-2050. https://doi.org/ 10.1017/S1751731117000891.

Bucki, M., Dhufaigh, K.N., O’Brien, C., Weatherley, A., Walshe, N., McElligott, T., 2023. Comparison of ovine faecal Strongyle egg counts from an accredited laboratory and a rapid, on-site parasite diagnostic system utilising a smartphone app and machine learning. Vet. Parasitol. 320, 109976 https://doi.org/10.1016/j. vetpar.2023.109976.
Burrai, G.P., Gabrieli, A., Polinas, M., Murgia, C., Becchere, M.P., Demontis, P., Antuofermo, E., 2023. Canine mammary tumor histopathological image classification via computer-aided pathology: an available dataset for imaging analysis. Animals. 13, 1563. https://doi.org/10.3390/ani13091563.
Cabezas, J., Yubero, R., Visitación, B., Navarro-García, J., Algar, M.J., Cano, E.L., Ortega, F., 2022. Analysis of accelerometer and GPS data for cattle behaviour identification and anomalous events detection. Entropy. 24, 336. https://doi.org/ 10.3390/e24030336.

Campbell, D.L., Belson, S., Lea, J.M., Ouzman, J., Lee, C., Kalinowski, T., Llewellyn, R.S., 2023. Automated virtual fencing can effectively contain sheep: field trials and prospects. Animals 13 (4), 619. https://doi.org/10.3390/ani12212920.
Campbell, D.L.M., Marini, D., Lea, J.M., Keshavarzi, H., Dyall, T.R., Lee, C., 2021. The application of virtual fencing technology effectively herds cattle and sheep. Anim. Prod. Sci. 61, 1393-1402. https://doi.org/10.1071/AN20525.
Caputo, E., de Alteriis, G., Conte, C., Nocerino, M., Pepe, P., Elia, S., Bosco, A., Cringoli, G., Rinaldi, L., Rufino, G., Accardo, D., 2022. Development of an Embedded System-Based Dropper Payload for Drones. In: 2022 IEEE 9th International Workshop on Metrology for AeroSpace (MetroAeroSpace). IEEE, pp. 639-643. https://doi.org/10.1109/MetroAeroSpace54187.2022.9856205.
Cheng, M., Yuan, H., Wang, Q., Cai, Z., Liu, Y., Zhang, Y., 2022. Application of deep learning in sheep behaviors recognition and influence analysis of training data characteristics on the recognition effect. Comput. Electron. Agric. 198, 107010 https://doi.org/10.1016/j.compag.2022.107010.
Cihan, P., Gokce, E., Atakisi, O., Kirmizigul, A.H., Erdogan, H.M., 2021. Yapay Zeka Yöntemleri İle Kuzularda İmmünoglobulin G Tahmini. Univ. Vet. Fak. Derg, Kafkas. https://doi.org/10.9775/kvfd.2020.24642.
Cockburn, M., 2020. Review: application and prospective discussion of machine learning for the Management of Dairy Farms. Animals. 10, 1690. https://doi.org/10.3390/ ani10091690.
Cowton, J., Kyriazakis, I., Plötz, T., Bacardit, J., 2018. A combined deep learning GRUautoencoder for the early detection of respiratory disease in pigs using multiple environmental sensors. Sensors. 18, 2521. https://doi.org/10.3390/s18082521.
Curchoe, C.L., 2023. Proceedings of the first world conference on AI in fertility. J. Assist. Reprod. Genet. 40, 215-222. https://doi.org/10.1007/S10815-022-02704-9.
Deng, X., Zhang, S., Shao, Y., Yan, X., 2022. A real-time sheep counting detection system based on machine learning. INMATEH Agricult. Eng. 67, 85-94. https://doi.org/ 10.35633/inmateh-67-08.

Dilleen, G., Claffey, E., Foley, A., Doolin, K., 2023. Investigating knowledge dissemination and social media use in the farming network to build trust in smart farming technology adoption. J. Bus. Ind. Mark. 38, 1754-1765. https://doi.org/ 10.1108/JBIM-01-2022-0060/FULL/HTML.

Dore, A., Pasquaretta, C., Henry, D., Ricard, E., Bompa, J.-F., Bonneau, M., Boissy, A., Hazard, D., Lihoreau, M., Aubert, H., 2021. A non-invasive millimetre-wave radar sensor for automated Behavioural tracking in precision farming-application to sheep husbandry. Sensors. 21, 8140. https://doi.org/10.3390/s21238140.
EFSA Panel on Animal Health and Welfare (AHAW), 2014. Scientific opinion on the welfare risks related to the farming of sheep for wool, meat and milk production. EFSA J. 12, 3933. https://doi.org/10.2903/j.efsa.2014.3933.
Ergen, M., 2019. What is artificial intelligence? Technical considerations and future perception. Anatol. J. Cardiol. 22, 5-7. https://doi.org/10.14744/ AnatolJCardiol.2019.79091.
Food and Agriculture Organisation of the United Nations, 2009. How to Feed the World in 2050: High-Level Expert Forum. FAO Rome, Italy.
Fragoso-Garcia, M., Wilm, F., Bertram, C.A., Merz, S., Schmidt, A., Donovan, T., FuchsBaumgartinger, A., Bartel, A., Marzahl, C., Diehl, L., Puget, C., Maier, A., Aubreville, M., Breininger, K., Klopfleisch, R., 2023. Automated diagnosis of 7
canine skin tumors using machine learning on H&E-stained whole slide images. Vet. Pathol. 60, 865-875. https://doi.org/10.1177/03009858231189205.
Fuentes, S., Gonzalez Viejo, C., Tongson, E., Dunshea, F.R., 2022. The livestock farming digital transformation: implementation of new and emerging technologies using artificial intelligence. Anim. Health Res. Rev. 23, 59-71. https://doi.org/10.1017/ S1466252321000177.
Ganai, N.A., 2022. Proceeding of the Indian ecological society international conference 2022. Indian J. Ecol. 53 https://doi.org/10.55362/IJE/IESIC/2022/PROC.

González, L.A., Kyriazakis, I., Tedeschi, L.O., 2018. Review: precision nutrition of ruminants: approaches, challenges and potential gains. Animal. 12, s246-s261. https://doi.org/10.1017/S1751731118002288.
González-García, E., Alhamada, M., Pradel, J., Douls, S., Parisot, S., Bocquier, F., Menassol, J.B., Llach, I., González, L.A., 2018. A mobile and automated walk-overweighing system for a close and remote monitoring of liveweight in sheep. Comput. Electron. Agric. 153, 226-238. https://doi.org/10.1016/j.compag.2018.08.022.
Göröcs, Z., Baum, D., Song, F., de Haan, K., Ceylan Koydemir, H., Qiu, Y., Cai, Z., Skandakumar, T., Peterman, S., Tamamitsu, M., Ozcan, A., 2020. Label-free detection of Giardia lamblia cysts using a deep learning-enabled portable imaging flow cytometer. Lab Chip 20, 4404-4412. https://doi.org/10.1039/D0LC00708K.
Griffith, C., Heydon, G., Lamb, D., Lefort, L., Taylor, K., Trotter, M., Wark, T., 2013. Smart farming: leveraging the impact of broadband and the digital economy. Eng. Technol. https://doi.org/10.4225/08/584d9555b377c.
Hamadani, A., Ganai, N.A., 2022. Development of a multi-use decision support system for scientific management and breeding of sheep. Sci. Rep. 12, 19360. https://doi. org/10.1038/s41598-022-24091-y.
Hamadani, A., Ganai, N.A., Andrabi, S.M., Shanaz, S., Alam, S., Hussainsher-EKashmir, I., 2022. Evaluation of artificial intelligence algorithms for the prediction of genetic merit. Res. Rev. https://doi.org/10.21203/rs.3.rs-1488946/v1.
He, C., Qiao, Y., Mao, R., Li, M., Wang, M., 2023. Enhanced LiteHRNet based sheep weight estimation using RGB-D images. Comput. Electron. Agric. 206, 107667 https://doi.org/10.1016/j.compag.2023.107667.
Hu, T., Yan, R., Jiang, C., Chand, N.V., Bai, T., Guo, L., Qi, J., 2023. Grazing sheep behaviour recognition based on improved YOLOV5. Sensors. 23, 4752. https://doi. org/10.3390/s23104752.
Jachowski, D.S., Slotow, R., Millspaugh, J.J., 2014. Good virtual fences make good neighbors: opportunities for conservation. Anim. Conserv. 17, 187-196. https://doi. org/10.1111/acv.12082.
Jiménez, D., Delerce, S., Dorado, H., Cock, J., Muñoz, L.A., Agamez, A., Jarvis, A., 2019. A scalable scheme to implement data-driven agriculture for small-scale farmers. Glob. Food Sec. 23, 256-266. https://doi.org/10.1016/j.gfs.2019.08.004.
Jin, P., Mou, L., Xia, G.S., Zhu, X.X., 2022b. Anomaly detection in aerial videos with transformers. IEEE Trans. Geosci. Remote Sens. 60, 1-13.
Jin, Z., Guo, L., Shu, H., Qi, J., Li, Y., Xu, B., Zhang, W., Wang, K., Wang, W., 2022a. Behavior classification and analysis of grazing sheep on pasture with different sward Surface Heights using machine learning. Animals. 12, 1744. https://doi.org/ 10.3390/ani12141744.

Jorquera-Chavez, M., Fuentes, S., Dunshea, F.R., Warner, R.D., Poblete, T., Jongman, E. C., 2019. Modelling and validation of computer vision techniques to assess heart rate, eye temperature, Ear-Base temperature and respiration rate in cattle. Animals. 9, 1089. https://doi.org/10.3390/ani9121089.
Kaul, V., Enslin, S., Gross, S.A., 2020. History of artificial intelligence in medicine. Gastrointest. Endosc. 92, 807-812. https://doi.org/10.1016/j.gie.2020.06.040.
Keceli, A.S., Catal, C., Kaya, A., Tekinerdogan, B., 2020. Development of a recurrent neural networks-based calving prediction model using activity and behavioral data. Comput. Electron. Agric. 170, 105285 https://doi.org/10.1016/j. compag.2020.105285.
Keshavarzi, H., Sadeghi-Sefidmazgi, A., Mirzaei, A., Ravanifard, R., 2020. Machine learning algorithms, bull genetic information, and imbalanced datasets used in abortion incidence prediction models for Iranian Holstein dairy cattle. Prev. Vet. Med. 175, 104869 https://doi.org/10.1016/j.prevetmed.2019.104869.
King, A., 2017. Technology: the future of agriculture. Nature. 544, S21-S23.
Kleanthous, N., Hussain, A., Sneddon, J., Khan, W., Khan, B., Aung, Z., Liatsis, P., 2022. Towards a virtual fencing system: training domestic sheep using audio stimuli. Animals. 12, 2920. https://doi.org/10.3390/ani12212920.
Koydemir, H.C., Gorocs, Z., Tseng, D., Cortazar, B., Feng, S., Chan, R.Y.L., Burbano, J., McLeod, E., Ozcan, A., 2015. Rapid imaging, detection and quantification of Giardia lamblia cysts using mobile-phone based fluorescent microscopy and machine learning. Lab Chip 15, 1284-1293.
Kozitsin, V., Katser, I., Lakontsev, D., 2021. Online forecasting and anomaly detection based on the ARIMA model. Appl. Sci. 11, 3194. https://doi.org/10.3390/ app11073194.
Kwon, L., Long, K.D., Wan, Y., Yu, H., Cunningham, B.T., 2016. Medical diagnostics with mobile devices: comparison of intrinsic and extrinsic sensing. Biotechnol. Adv. 34, 291-304. https://doi.org/10.1016/j.biotechadv.2016.02.010.
Lewis Baida, B.E., Swinbourne, A.M., Barwick, J., Leu, S.T., van Wettere, W.H.E.J., 2021. Technologies for the automated collection of heat stress data in sheep. Animal Biotelemetry. 9, 4. https://doi.org/10.1186/s40317-020-00225-9.
Lipschitz, F., 2019. Expanding the field: virtual fencing as responsive landscape technology. Plan J. 4 https://doi.org/10.15274/tpj.2019.04.01.12.
Marini, D., Meuleman, M., Belson, S., Rodenburg, T., Llewellyn, R., Lee, C., 2018. Developing an ethically acceptable virtual fencing system for sheep. Animals. 8, 33. https://doi.org/10.3390/ani8030033.
Mate, S., Somani, V., Dahiwale, P., 2022. Design and development of IoT-based intelligent solutions with blockchain for indian farmers on livestock management. In: Proceedings of the International Conference on Intelligent Technologies in

Security and Privacy for Wireless Communication, ITSPWC 2022, 14-15 May 2022, Karur, Tamilnadu, India. EAI. https://doi.org/10.4108/eai.14-5-2022.2320163.
Mathison, B.A., Kohan, J.L., Walker, J.F., Smith, R.B., Ardon, O., Couturier, M.R., 2020. Detection of intestinal Protozoa in trichrome-stained stool specimens by use of a deep convolutional neural network. J. Clin. Microbiol. 58, 10-1128. https://doi.org/ 10.1128/JCM.02053-19.

McLennan, K., Mahmoud, M., 2019. Development of an automated pain facial expression detection system for sheep (Ovis Aries). Animals. 9, 196. https://doi.org/10.3390/ ani9040196.
Mishra, S., Sharma, S.K., 2023. Advanced contribution of IoT in agricultural production for the development of smart livestock environments. Internet Things. 22, 100724 https://doi.org/10.1016/j.iot.2023.100724.
Morris, S.T., 2017. Overview of sheep production systems. Adv. Sheep Welfare. 19-35 https://doi.org/10.1016/B978-0-08-100718-1.00002-9.
Morrone, S., Dimauro, C., Gambella, F., Cappai, M.G., 2022. Industry 4.0 and precision livestock farming (PLF): an up to date overview across animal productions. Sensors. 22, 4319. https://doi.org/10.3390/s22124319.
Murray, P.R., 2015. The clinician and the microbiology laboratory. In: Mandell, Douglas, and Bennett’s Principles and Practice of Infectious Diseases. Elsevier, pp. 191-223. https://doi.org/10.1016/B978-1-4557-4801-3.00016-3.
Nagamori, Y., Hall Sedlak, R., DeRosa, A., Pullins, A., Cree, T., Loenser, M., Larson, B.S., Smith, R.B., Goldstein, R., 2020. Evaluation of the VETSCAN IMAGYST: an in-clinic canine and feline fecal parasite detection system integrated with a deep learning algorithm. Parasit. Vectors 13, 346. https://doi.org/10.1186/s13071-020-04215-x.
Neethirajan, S., 2023. The significance and ethics of digital livestock farming. AgriEngineering. 5, 488-505. https://doi.org/10.3390/agriengineering5010032.
Nolack Fote, F., Mahmoudi, S., Roukh, A., Ahmed Mahmoudi, S., 2020. Big Data Storage and Analysis for Smart Farming. In: Proceedings of 2020 5th iInternational Conference on Cloud Computing and Artificial Intelligence: Technologies and Applications. CloudTech, p. 2020. https://doi.org/10.1109/ CLOUDTECH49835.2020.9365869.
Odintsov Vaintrub, M., Levit, H., Chincarini, M., Fusaro, I., Giammarco, M., Vignola, G., 2021. Review: precision livestock farming, automats and new technologies: possible applications in extensive dairy sheep farming. Animal. 15, 100143 https://doi.org/ 10.1016/j.animal.2020.100143.

Oyibo, P., Jujjavarapu, S., Meulah, B., Agbana, T., Braakman, I., van Diepen, A., Bengtson, M., van Lieshout, L., Oyibo, W., Vdovine, G., Diehl, J.-C., 2022. Schistoscope: an automated microscope with artificial intelligence for detection of Schistosoma haematobium eggs in resource-limited settings. Micromachines (Basel). 13, 643. https://doi.org/10.3390/mi13050643.
Phythian, C.J., Michalopoulou, E., Jones, P.H., Winter, A.C., Clarkson, M.J., Stubbings, L. A., Grove-White, D., Cripps, P.J., Duncan, J.S., 2011. Validating indicators of sheep welfare through a consensus of expert opinion. Animal. 5, 943-952. https://doi.org/ 10.1017/S1751731110002594.

Sarwar, F., Griffin, A., Periasamy, P., Portas, K., Law, J., 2018. Detecting and Counting Sheep with a Convolutional Neural Network. In: 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, pp. 1-6. https://doi.org/10.1109/AVSS.2018.8639306.
Sheng, H., Zhang, S., Zuo, L., Duan, G., Zhang, H., Okinda, C., Norton, T., 2020. Construction of sheep forage intake estimation models based on sound analysis. Biosyst. Eng. 192, 144-158. https://doi.org/10.1016/j.biosystemseng.2020.01.024.
Smith, K.P., Wang, H., Durant, T.J.S., Mathison, B.A., Sharp, S.E., Kirby, J.E., Long, S.W., Rhoads, D.D., 2020. Applications of artificial intelligence in clinical microbiology diagnostic testing. Clin. Microbiol. Newsl. 42, 61-70. https://doi.org/10.1016/j. clinmicnews.2020.03.006.
Song, S., Liu, T., Wang, H., Hasi, B., Yuan, C., Gao, F., Shi, H., 2022. Using pruning-based YOLOv3 deep learning algorithm for accurate detection of sheep face. Animals. 12, 1465. https://doi.org/10.3390/ani12111465.
de Souza, L.F., Costa, M.H., Riet-Correa, B., 2023. Mobile app for targeted selective treatment of haemonchosis in sheep. Vet. Parasitol. 316, 109902 https://doi.org/ 10.1016/j.vetpar.2023.109902.

Strömbom, D., King, A.J., 2018. Robot collection and transport of objects: a biomimetic process. Front. Robot AI. 5, 48. https://doi.org/10.3389/frobt.2018.00048.
Suparwito, H., Thomas, D.T., Wong, K.W., Xie, H., Rai, S., 2021. The use of animal sensor data for predicting sheep metabolisable energy intake using machine learning. Inf. Proc. Agric. 8 (4), 494-504. https://doi.org/10.1016/j.inpa.2020.12.004.
Tedeschi, L.O., Greenwood, P.L., Halachmi, I., 2021. Advancements in sensor technology and decision support intelligent tools to assist smart livestock farming. J. Anim. Sci. 99, 1-11. https://doi.org/10.1093/jas/skab038.
Terlouw, E.M.C., Arnould, C., Auperin, B., Berri, C., Le Bihan-Duval, E., Deiss, V., Lefèvre, F., Lensink, B.J., Mounier, L., 2008. Pre-slaughter conditions, animal stress and welfare: current status and possible future research. Animal. 2, 1501-1517. https://doi.org/10.1017/S1751731108002723.
Tripathi, S., 2021. Artificial Intelligence: A Brief Review. Analyzing future applications of AI, sensors, and robotics in society. https://doi.org/10.4018/978-1-7998-3499-1. CH001.
Turing, A.M., 1950. I.-computing machinery and intelligence. Mind LIX, 433-460. https://doi.org/10.1093/MIND/LIX.236.433.
Umstatter, C., 2011. The evolution of virtual fences: a review. Comput. Electron. Agric. 75, 10-22. https://doi.org/10.1016/j.compag.2010.10.005.
Van Wyk, J.A., Bath, G.F., 2002. The FAMACHA system for managing haemonchosis in sheep and goats by clinically identifying individual animals for treatment. Vet. Res. 33, 509-529. https://doi.org/10.1051/vetres:2002036.
Velde, F. Vande, Charlier, J., Claerebout, E., 2018. Farmer behavior and gastrointestinal nematodes in ruminant livestock-uptake of sustainable control approaches. Front. Vet. Sci. 5 https://doi.org/10.3389/FVETS.2018.00255/FULL.
Wang, K., Xuan, C., Wu, P., Liu, F., Fan, X., 2022. Feeding intake estimation in sheep based on ingestive chewing sounds. Comput. Electron. Agric. 194, 106698 https:// doi.org/10.1016/j.compag.2022.106698.
Wang, L., Zhang, M., Li, Y., Xia, J., Ma, R., 2021. Wearable multi-sensor enabled decision support system for environmental comfort evaluation of mutton sheep farming. Comput. Electron. Agric. 187, 106302 https://doi.org/10.1016/j. compag.2021.106302.
Xu, J., Wu, Q., Zhang, J., Tait, A., 2021. Automatic sheep behaviour analysis using mask R-CNN. In: 2021 Digital Image Computing: Techniques and Applications (DICTA), p. IEEE, pp. 01-06. https://doi.org/10.1109/DICTA52665.2021.9647101.

Yange, T.S., Egbunu, C.O., Onyekware, O., Rufai, M.A., Godwin, C., 2021. Violence detection in ranches using computer vision and convolution neural network. J. Comput. Sci. Technol. 94-104 https://doi.org/10.35134/jcsitech.v7i4.22.

Yaxley, K.J., Joiner, K.F., Abbass, H., 2021. Drone approach parameters leading to lower stress sheep flocking and movement: sky shepherding. Sci. Rep. 11, 7803. https:// doi.org/10.1038/s41598-021-87453-y.
Zhang, X., Xuan, C., Xue, J., Chen, B., Ma, Y., 2023. LSR-YOLO: a high-precision, lightweight model for sheep face recognition on the Mobile end. Animals. 13, 1824. https://doi.org/10.3390/ani13111824.
Zhang, Y., Yu, C., Liu, H., Chen, X., Lei, Y., Pang, T., Zhang, J., 2022. An integrated goat head detection and automatic counting method based on deep learning. Animals. 12, 1810. https://doi.org/10.3390/ani12141810.

Zhang, Z., Zhang, H., Liu, T., 2019. Study on body temperature detection of pig based on infrared technology: a review. Artif. Intell. Agric. 1, 14-26. https://doi.org/ 10.1016/j.aiia.2019.02.002.

Zingaro, M., Salvatori, V., Vielmi, L., Boitani, L., 2018. Are the livestock guarding dogs where they are supposed to be? Appl. Anim. Behav. Sci. 198, 89-94. https://doi.org/ 10.1016/j.applanim.2017.10.002.

Furqan Arshad , M., Pietro Burrai, G., Varcasia, A., Francesca Sini, M., Ahmed, F., Giovanni Lai, G., Polinas, M., Antuofermo, E., Tamponi, C., Cocco, R., Corda, A., & Pinna Parpaglia, M. L. (2024). The groundbreaking impact of digitalization and artificial intelligence in sheep farming. Research in Veterinary Science, 170, 1-9. Article 105197. https://doi.org/10.1016/j.rvsc.2024.105197

Link to publication record in Ulster University Research Portal

Published in:
Research in Veterinary Science

Publication Status:
Published (in print/issue): 30/04/2024

DOI:
10.1016/j.rvsc.2024.105197

Document Version
Publisher’s PDF, also known as Version of record

Document Licence:
CC BY

General rights
The copyright and moral rights to the output are retained by the output author(s), unless otherwise stated by the document licence.
Unless otherwise stated, users are permitted to download a copy of the output for personal study or non-commercial research and are permitted to freely distribute the URL of the output. They are not permitted to alter, reproduce, distribute or make any commercial use of the output without obtaining the permission of the author(s).

If the document is licenced under Creative Commons, the rights of users of the documents can be found at https://creativecommons.org/share-your-work/cclicenses/.

Take down policy
The Research Portal is Ulster University’s institutional repository that provides access to Ulster’s research outputs. Every effort has been made to ensure that content in the Research Portal does not infringe any person’s rights, or applicable UK laws. If you discover content in the Research Portal that you believe breaches copyright or violates any law, please contact pure-support@ulster.ac.uk

Artificial intelligence (AI)
Sheep farming
Digitalization
Precision livestock farming (PLF)

In recent years, there has been an increasing trend towards larger and more intensive animal farming operations driven by the anticipated increase in the world’s population to 9 billion people by 2050 (Béné et al., 2015). The Food and Agriculture Organisation of the United Nations (FAO) estimates that a roughly increase in world food production will be required to adequately meet the needs of the growing global human population (Alexandratos and Bruinsma, 2012; FAO, 2009). As a result, there has been an increase in the number of sheep farms with higher animal density and corresponding higher sheep-tostockperson ratio.

The integration of Artificial intelligence (AI)-based systems has
strengthened the efficiency of precision livestock farming (Nolack Fote et al., 2020). The concept of using intelligence in computers was first described by Alan Turing in 1950 (Turing, 1950). The term “Artificial intelligence” was first coined by John McCarthy (father of AI) in 1956 during an academic conference (Andresen, 2002). It is the replication of human intelligence in machines making them able to perform complex actions and even predict an output (Tripathi, 2021). Additionally, the computer performs cognitive processes like humans do which includes reasoning, perceiving, learning, and interaction (Ergen, 2019). AI has completely transformed all industries. AI systems are now capable of performing self-learning (also known as machine learning) (Kaul et al., 2020). It has recently provided solutions to the analytical challenges encountered in animal farming and veterinary sciences (Cihan et al.,

2021).

There are approximately more than one billion sheep worldwide. The main sheep farming regions are found between latitudes of 30 and 45 degrees south in Australia, South America, and New Zealand, and between latitudes of 35 and 55 degrees north in Europe and Asia (Morris, 2017). Despite their huge numbers and presence in developed countries, sheep farms have been managed relatively with traditional approaches as compared to cattle (Morrone et al., 2022). Alapala Demirhan (2019) assessed the primary challenges associated with such farming practices, including labor intensiveness, the suboptimal quality of grazing land, insufficient breeding and genetic developments, elevated feed costs, vulnerability to predation, animal health issues, and adverse environmental impacts. Manual labour for watering, feeding and disease prevention is time-consuming and costly in terms of labour wages (Aubron et al., 2009). Furthermore, these conventional farming methods are highly prone to predator attacks, leading to economic losses due to a significant reduction in flock size (Morris, 2017). Additionally, record-keeping systems are absent in most traditional animal farms, making it impossible to monitor animal health, breeding history, effective herd management, and performance (Aldridge et al., 2019).

With the development of better precision livestock farming (PLF) practices, farmers are encouraged to adopt digital solutions for their sheep farms. PLF aims to manage individual animals by continuously monitoring production, health, reproduction, welfare, and environmental impacts in real-time with a set of electronic tools (Berckmans, 2017). In the intensive sheep farming systems, the adoption of different

AI models such as machine learning (ML), deep learning (DL), and artificial neural networks (ANN) have converted conventional sheep farming into more sustainable, efficient, and profitable (Bao and Xie, 2022). Digital farming practice utilizing AI tools has paved the way for improved animal welfare and enhanced agricultural productivity (Antonik et al., 2022). It has enabled automation in monitoring sheep behaviour, health, nutrition, management, yield, and resource allocation (Bao and Xie, 2022; Ganai, 2022). With numerous sensors that track various animal variables like temperature, heart rate, and digestion, AI models enable farmers to manage their livestock (Basciftci and Gunduz, 2019).

Sheep farmers aspire to maximize profits by optimizing costs and revenue. Since improved animal welfare is directly linked to higher yields, farmers are encouraged to embrace modern AI-based digitalization in their sheep farms. Embracing data-driven farming significantly enhances farmer’s decision-making capabilities (Jiménez et al., 2019). The use of smart applications enables sheep farmers to access enhanced markets, thereby bolstering sales (Dilleen et al., 2023; Odintsov Vaintrub et al., 2021).

The intersection of digital agriculture and artificial intelligence (AI) has unlocked new horizons in the realm of animal welfare. AI has permeated various industries, and its development and adaptability owe much to a collaborative, multidisciplinary effort involving professionals such as animal scientists, computer scientists, agricultural engineers, and environmental scientists. The incorporation of the latest AI technologies into animal welfare practices is a noteworthy development,

Fig. 1. Advanced sheep farming systems and approaches utilizing digital techniques and artificial intelligence (AI) for better sheep farming.
positioning AI as a sustainable solution to address the evolving needs of the industry. In this context, fast-paced research into AI for sheep welfare is not an exception. Global research has brought to light the potential integration of AI to enhance efficiency across multiple facets of sheep farming, encompassing sheep welfare, disease management, behavioural monitoring, optimization of feeding processes, and environmental supervision (Fig. 1).

A comprehensive coverage to the dynamic landscape of emerging technologies, with a focus on both digitalization and cutting-edge artificial intelligence techniques, and their collective impact on enhancing sheep welfare is therefore essential. In addition to this, the identification of formidable challenges is paramount, prompting the unveiling of new directions for future research. The overarching aim is to foster the efficient and sustainable integration of AI in modern sheep farming practices.

The use of dogs in managing and safeguarding sheep from predators has been found to be highly effective since ancient times (Zingaro et al., 2018). However, it has been observed that this approach can induce chronic stress in sheep, characterized by elevated cortisol levels, primarily due to the vulnerable and social nature of sheep (EFSA panel on animal health and welfare, 2014; Terlouw et al., 2008). The repercussions of this stress can range from physical injuries to abortions in sheep (Phythian et al., 2011). Consequently, the aversive reactions triggered by the presence of these dogs underscore their significance but also raise concerns about their use in herding (Beausoleil et al., 2012).

A more promising alternative to using dogs is the integration of autonomous shepherding systems with AI. Drones have been explored for this purpose; a concept known as “sky shepherding”. Research by Yaxley et al. (2021) has highlighted the potential of drones as a substitute for dogs in reducing stress among farm sheep. Drones can be programmed to emit various auditory cues to elicit specific responses from sheep flocks. Additionally, during nighttime operations, drones equipped with thermal infrared cameras can be employed to detect potential threats and raise alarms in case of intruders (Bondi et al., 2019). Another biomimetic surveillance system utilizes shepherding algorithms and can adapt to varying environmental conditions while guiding and protecting sheep, preventing them from entering sensitive or restricted areas (Strömbom and King, 2018).

A virtual fence utilizes a computerized system having the ability to create custom geometric boundaries without the use of any physical barrier or fence. On the other hand, conventional physical fencing (with a visible boundary) within sheep farms is known for its maintenance problems and the associated high expenses. A minimum of 3.5 miles of a barbed-wire fence is needed to enclose a 500-acre farm (Lipschitz, 2019). The adoption of virtual fencing technology (no-fence technology) presents numerous advantages including wildlife conservation, reduced overgrazing, and cost-effectiveness. This artificial intelligence-driven technology relies on a Global Positioning System (GPS) based virtual fencing system, rendering physical barriers unnecessary. When sheep attempt to breach the virtual boundary, they are either subjected to a sound signal or receive a mild electric stimulus via a digital neck collar (Brunberg et al., 2017; Jachowski et al., 2014; Umstatter, 2011).

In response to ethical concerns surrounding the use of electric stimuli, Marini et al. (2018) have devised a system that exclusively employs auditory signals to dissuade sheep from traversing the virtual perimeter. This approach utilizing sound signals alone has demonstrated its effectiveness as well. The utilization of sound signals for confining
sheep within a virtual enclosure is also supported by other studies (Kleanthous et al., 2022; Campbell et al., 2021). A recent study conducted on sheep in Australia utilized same sound signals from a neck collar device. Here modified cattle eShepherd device was used. The sheep were able to learn from the audio signals to stay within a specific zone without any physical barrier. There were some violations of the virtual boundary since the device was not originally meant to be used on sheep. Therefore, a more specific algorithm might prove better results for sheep. Moreover, a sheep breed with thick neck wool may respond less to the same audio cues than a sheep breed with reduced wool. Sheep can also develop insensitivity to the audio cues over time and a more intense audio signal might be required (Campbell et al., 2023).

In the realm of sheep farming, there has been a notable development in the use of diagnostic tools that incorporate AI technologies and machine learning algorithms to identify potential health issues. For instance, a study concentrated on the application of AI to evaluate histology data, resulting in a notable improvement in the established murine intervertebral disc (IVD) degeneration model. This system also holds promise for detecting degenerative IVD changes in sheep (Alini et al., 2023). Furthermore, early detection of respiratory diseases in sheep has become feasible through the application of deep learning approaches (Cowton et al., 2018). Additionally, Digital Twin (DT) technology built on AI has shown significant potential in improving disease analysis and prediction achieving an impressive response rate in analyzing the heartbeats of farm animals (Mishra and Sharma, 2023). Sheep body weight estimation could predict a lot about sheep health. González-García et al. (2018) designed a walk-over-weighing system for monitoring lightweight sheep. Another development involves the live estimation of sheep weight using LiteHRNet, a Lightweight High-Resolution Network that employs RGB-D images, offering an efficient, non-contact approach (He et al., 2023).

Computer vision techniques which employ infrared thermal imaging and visible imaging analysis are also being employed to enhance the monitoring of respiratory diseases (Jorquera-Chavez et al., 2019). A study conducted by Zhang et al. (2019) employed infrared technology to measure the body temperature of animals on a large farm and this technology can be further integrated with AI tools for automated monitoring of individual farm animals’ body temperature. Several AIbased models have been proposed for the treatment of sheep diseases. One such embedded system that utilizes drones aimed at treating hydatidosis has been successfully tested (Caputo et al., 2022).

The application of machine learning in disease identification has often focused on image recognition. For example, for the accurate classification of skin and mammary tumors, machine learning-based algorithms have the ability to automatically analyse tissue slide images. These algorithms demonstrate the capability to differentiate between tumor and non-tumor classes (Burrai et al., 2023; Fragoso-Garcia et al., 2023). Machine learning has already been applied to epidemiological classification problems in animal science, for example, to predict exposure to bovine viral diarrhoea virus at the herd level and the distribution of herd exposure to liver fluke. It has been recently applied in the investigation of the transmission model of the mastitis pathogen in cattle (Streptococcus uberis) and the diagnosis of subclinical and clinical mastitis at the individual animal level. Using data from 1000 farms, Random Forest algorithms were able to replicate complex herd-level diagnoses made by veterinary specialists with a high degree of accuracy. An accuracy of , a positive predictive value (PPV) of and a negative predictive value (NPV) of were achieved for the diagnosis of contagious bovine mastitis compared to environmental mastitis. Using an accurate, automated mastitis diagnosis tool can help nonspecialist veterinarians make a rapid herd-level diagnosis and timely implement appropriate control measures for a disease that is deleterious in terms of animal health, productivity, well-being, and use of
antimicrobials (Cockburn, 2020).

The use of conventional light microscopy remains the gold standard for identifying intestinal parasites in faecal samples, primarily due to its affordability and widespread availability. However, this method has several limitations, including being time-consuming, labor-intensive, less sensitive, and subject to interpretation biases (Murray, 2015). To address these shortcomings, the integration of artificial intelligence (AI) into clinical microbiology and parasitology laboratories has emerged as a promising alternative, capable of providing precise, sensitive, and swift results. A group of researchers developed a convolutional neural network (CNN) model by combining digital slide scanning with AI, demonstrating its ability to distinguish between positive and negative trichrome slides. This model has shown superior sensitivity and accuracy compared to manual examination (Mathison et al., 2020). Another study harnessed a trained deep neural network model that automatically focuses on and scans microscopic slides to identify Schistosoma haematobium eggs (Oyibo et al., 2022).

In addition, various studies have explored better approaches for parasite detection. A group of studies utilized a filter membrane with a 5 pore size to capture fluorescently labelled Giardia cysts, followed by image capture through a microscope-mounted camera (Koydemir et al., 2015) or a portable imaging flow cytometer (Göröcs et al., 2020). Machine learning algorithms trained to detect Giardia cysts are utilized to process these images, successfully achieving accurate detection, and counting. Moreover, emerging methods involve harnessing the power of machine learning to matrix-assisted laser desorption/ionization-time of flight (MALDI-TOF) mass spectra and whole-genome sequencing data. This approach holds promise for predicting drug resistance, detecting outbreaks, and enhancing diagnostics (Smith et al., 2020). In the market, there is an AI powered automated scanner known as “VETSCAN IMAGYST ,” which utilizes deep learning algorithms to identify eggs in faecal slides (Nagamori et al., 2020).

Furthermore, some studies have showcased the use of highly specialized software capable of analyzing images on smartphone providing faecal egg counts, thereby reducing the dependence on manual counting. This approach is practical as modern smartphones come equipped with built-in sensors and offer a cost-effective solution to laborious microscopy (Kwon et al., 2016). On-site and rapid counting systems involving smartphone applications and machine learning have gained recognition as reliable counting mechanisms (Bucki et al., 2023). In the context of small ruminants, the Famacha© scoring system is commonly employed for detecting Haemonchus contortus infections by assessing the color of ocular conjunctival mucosa (Van Wyk and Bath, 2002). Anaemic sheep with white-colored conjunctival mucosa are considered positive for the infection, facilitating targeted deworming interventions. In this regard, a study has proposed a smartphone-based machine-learning application that uses the smartphone’s camera to image the ocular conjunctival mucosa, classifying the animal as healthy or anaemic (de Souza et al., 2023).

The utilization of automation in sheep farming has led to increased yield of animal products. To bolster decision-making in animal management, it is essential to focus on real-time data collection from the farm (Lewis Baida et al., 2021). The identification of individual sheep on the farm and their various behaviours is crucial for monitoring their health and other farming practices (Jin et al., 2022b, 2022a). Dore et al. (2021) have developed an automated tracking system based on millimeter-wave radars which offers precise and real-time animal monitoring. This system outperforms conventional video tracking as it is not sensitive to light variations, requires less processing power, and provides superior accuracy. The data generated can be integrated into

AI-based systems capable of alerting farmers to any undesirable changes. Wang et al. (2021) have created a wearable multi-sensor system to assess sheep farming comfort. McLennan and Mahmoud (2019) have devised an automated system with the ability to detect changes in sheep facial expressions indicative of pain.

Advancements in deep learning technologies and computer vision have empowered precise animal management and increased profitability. Accurate sheep identification and counting are essential for effective large-scale farming (Song et al., 2022). Presently, most farms worldwide rely on manual counting, which has drawbacks such as double counting, omissions, low efficiency, and frequent counting requirements. Hence, the digitalization of sheep counting is gaining more attraction in the modern world. Various studies have introduced diverse sheep counting methods, including those employed by Zhang et al. (2022) who used goat head detection and AI-based automation through deep learning. Sarwar et al. (2018) employed a convolutional neural network (CNN) for sheep counting, while Deng et al. (2022) utilized the “You Only Look Once version 5” (YOLOv5) algorithm for sheep counting and management. The YOLO family is very peculiar in this regard. It is an AI model that detects a target in images or videos. This integrated system uses a camera to take photos or videos and feed the media into YOLO system. The system can accurately identify the targets, such as sheep, present within the input media, offering efficient detection and counting capabilities.

Although it has long been believed that biological processes involving living things are too complicated to be controlled and monitored automatically, AI is opening possibilities for the development of completely automated online monitoring and management tools for animals. Effective management and welfare of sheep on farms as well as during their transportation between farms, can be monitored by observing sheep group dynamics, their positions, behaviours, and physiological indicators. Regular monitoring of sheep behaviour is valuable for early detection of diseases or any discomfort the sheep may experience in their environment, enabling farmers to enhance their wellbeing (Xu et al., 2021). The commonly used method for tracking animal behaviour is manual observation but this approach is inefficient, timeconsuming, and impractical for larger farms (Keceli et al., 2020).

The application of AI and machine learning in monitoring farm sheep involves the interaction of computer algorithms, various biosensors, and data collection techniques. Biosensors are utilized to collect real-time data on various aspects such as animal behaviour, food intake, health, and environmental conditions. The data is then treated and evaluated using a system of data analysis, resulting in ordered datasets of prime importance that assist farmers in making timely decisions regarding sheep welfare (Mate et al., 2022). Several machine-learning algorithms have been adopted by researchers for monitoring animal behaviour in farm settings, including studies by Cheng et al. (2022) and Hu et al. (2023). They utilized YOLO5 model for behavioural analysis. The model first processed the input images of grazing sheep to train itself to recognize normal sheep behaviour. The model would then send an alarm if a varied behaviour is noted. In another study, researchers utilized GPS sensors and 3-D accelerometers attached to the neck. Videos of animal during rumination, grazing, lying down, and standing steadily were taken. An AI model was first trained to detect behavioural pattern with inputs in the form of videos and accelerometer data. The learned model can then accurately predict the animal behaviour remotely using GPS (Cabezas et al., 2022; Barwick et al., 2018).

In sheep farming, potential anomalies can include signs of illness, unusual patterns in flock behaviour, and unexpected environmental conditions, among other factors. Accurate prediction models have been
built that send alerts to farmers based on data inputs from animals and the environment and can assist in detecting any deviation from what is normal. Farmers can readily implement corrective management strategies because of the comprehensive information provided by AI regarding the condition of their animals. Continuous technological advancements make it possible to create diagnostic tools capable of identifying anomalies without causing stress to the animal. This enables them to detect a disease outbreak days before farmers would even become aware of it (King, 2017; Griffith et al., 2013). In the foreseeable future, it is plausible that unmanned aerial vehicles (UAVs) will take flight every morning over animal farms to identify potential anomalies. Referred to simply as “drones”, UAVs offer large-coverage and can acquire data in real-time. Jin et al. (2022b, 2022a) developed an AI model utilizing videos captured by drones. The model was trained to detect potential anomalies. Although, not tested on sheep farm, systems like this have the potential to be used in extensive sheep farming. One disadvantage of such system is the countless possibilities of different anomalies, making it challenging to train the system to detect every potential irregularity.

Evaluating the welfare of livestock is essential to prevent any deterioration in their well-being, enhance productivity, and identify signs of stress and injuries. In recent times, this assessment has also become a part of marketing strategies, as consumers increasingly demand humane treatment of animals on farms (Fuentes et al., 2022). Computer vision algorithms have been developed to identify irregularities in the farm environment, such as the presence of vehicles, intruders, or unauthorized access. One such detection system, developed by Yange et al. (2021) is based on a convolutional neural network (CNN). The CNN is a deep learning system that can process images and recognize patterns within it. In this study, they used CNN to recognize violence among animals. Thousands of images from violence and non-violence scenarios were fed to the CNN to train it to detect violence. Their model was able to detect violence in sheep farms with accuracy. This is important in reducing losses in terms of animal injuries. Finally, an effective anomaly detection system should be capable of detecting problems in advance and have accurate predictive abilities which often necessitate the integration of AI-based technologies (Kozitsin et al., 2021).

The term “precision feeding” refers to the practice of providing farm animals with feed in quantities and compositions that align with their specific nutritional needs and bodily requirements (González et al., 2018). Various sensors and technologies have been developed for monitoring the nutrition of ruminants. This includes analytical tools such as data fusion, machine learning, and optimization techniques which can be integrated with this data (Cockburn, 2020; González et al., 2018). In the investigation conducted by Bosco et al. (2021), the adoption of precision feeding was observed to yield a pronounced reduction in the environmental footprint associated with ewe milk production. This reduction emanated from a substantial enhancement in milk production efficiency, achieving an increase of up to . Regular interaction with sheep during milking in extensive sheep-farming environments provides valuable data that can be leveraged for improved breeding, feeding, and flock management by harnessing technological advancements (Vaintrub et al., 2021).

Regarding estimation of sheep forage intake which is usually referenced from cattle feed intake has been studied more widely. But this approach seems not appropriate. Accurate analysis of sheep feed intake is important as a representative of sheep health. In this regard, a study by Wang et al. (2022) utilized acoustic signals produced from chewing feed by sheep. These signals can be captured by a neck collar device and processed by a machine learning tool to predict any variation in feeding behaviour as an indicative of an illness. The sound signals from biting, chewing, and ruminating can be differentiated. Such a system is also utilized to keep track of forage intake by individual sheep. This information is important when rotational grazing is applied to have an
estimation of forage requirements of a set number of sheep per hectare (Sheng et al., 2020). An interesting study utilized an AI model to predict metabolizable energy intake (MEI) using a wearable sensor. The sensor detected grazing time, speed, temperature, and other indicators. The estimation of accurate MEI is important for precision livestock feeding (Suparwito et al., 2021).

Digitalization and the utilization of AI have the potential to significantly enhance sheep farming by enabling the monitoring of reproductive data, genetic selection, and providing decision support. This includes optimizing breeding schedules, tracking heat data, identifying optimal mating pairs, selecting desirable genetic traits, and predicting breeding values. In modern animal breeding having access to accurate pedigreed data and sophisticated computational tools is fundamental. An online AI-based application called “Smart Sheep Breeder” (SSB) has been developed to automatically record performance data and conduct biometrical analyses thereby assisting farmers in making informed decisions (Hamadani and Ganai, 2022). Research has also demonstrated that machine learning techniques can accurately predict sheep breeding values, offering a more effective alternative to conventional strategies (Hamadani et al., 2022). Furthermore, Keshavarzi et al. (2020) conducted a study focusing on the capabilities of a machine learning model in predicting abortion rates in farm animals. Curchoe (2023) presented a conference paper discussing the use of AI to improve in-vitro fertilization (IVF) by enhancing safety, accuracy, and accessibility.

To implement AI in breeding, large volumes of data on genetic and phenotypic traits are required. This data might not be available for all animal farms. On the other hand, AI-driven.
breeding is more prone to reduced genetic diversity. Tools for breeding support are expensive and their use is complicated for a common farmer.

Traditional sheep farming is plagued by high costs, time constraints, and unreliability. Recent research has focused significantly on the development of AI-based mobile applications and mobile-integrated devices designed to enhance sheep welfare. Given that farms are typically located in rural areas, communication gaps between farmers and veterinarians can lead to financial losses (Barkema et al., 2018; Velde et al., 2018). Mobile-based applications bridge this gap allowing farmers to stay connected with veterinarians and track their animals’ health reports. Many of these applications primarily focus on data management from sheep farms, such as the Sheep App, My Sheep Manager, and Ovine Pro (Table 1). Some applications cater to specific needs like the Feed Mix Calculator which helps farmers optimize their animals’ feed content, and the Gestimator, an animal pregnancy term calculator. Additionally, devices have been created to work in conjunction with mobile phones, such as the latest LSR-YOLO, a real-time face recognition device (Zhang et al., 2023). This system relies on mobile sheep face recognition system. The system can recognize sheep face with mobile phone camera by matching it to previously taken images of the same sheep. This is a classic example of providing farmers with modern solutions to manage their sheep. Different aspects of sheep farming including pregnancy status, welfare breeding, and vaccination information of sheep can be tracked easily with a faster and accurate face recognition system.

Digitalization has already revolutionized sheep farming and is expected to further enhance animal welfare, productivity, and decisionmaking in the future. However, while artificial intelligence and machine learning are rapidly advancing, they still face certain challenges. Developing suitable algorithms and validating them remains a challenge

when implementing machine learning. Robust, reliable, and tailored algorithms need to be developed. Solutions for modern farming practices should be adaptable to various sizes and geographical locations and should be user-friendly to encourage adoption by farmers. Additionally, researchers must address ethical and privacy concerns raised by sheep farmers.

Despite the numerous advantages offered by digitalization, such as reduced labor requirements, it’s important to acknowledge the crucial role of human intervention. It is crucial to foster strong collaboration between farmers and veterinarians. Veterinary communication and advisory services play a pivotal role in this context, as emphasized by Bard et al. (2019). The absence of effective knowledge dissemination is one of the reasons why sheep farmers worldwide still adhere to traditional farming methods, which come with numerous drawbacks and hinder the industry’s overall efficiency. Current digitalization in sheep farming necessitates vigilant monitoring to ensure the well-being of animals. This concern has been raised by Neethirajan (2023), emphasizing that a balanced approach, incorporating both human expertise and digitalization, is the path forward.

Small-scale sheep farmers would likely not benefit from using AI. This is because AI algorithms rely on large datasets for training and validation, especially models that perform predictions. In small sheep farms, they are not always reliable as they may not produce predictable results. Poor quality data can also lead to inaccurate predictions. Moreover, this technology requires significant financial investment in equipment and expertise. Therefore, accessibility to such modernization is the next big challenge. On the other hand, a machine learning model trained in a typical region may not produce the same results as other
regions because it has been trained to reproduce results in a specific environment. An example can be taken from AI-based health monitoring systems. These systems rely on collecting various types of data such as feeding behaviours, activity level, temperature, heart rate, and most importantly, environmental conditions. Different environmental conditions can affect the predictability of these systems. These include temperature, humidity levels, precipitation patterns, seasonal changes, geographical location, elevation, and terrain characteristics. Therefore, widespread adaptability is a challenge. Several AI models utilize GPS and other sensors, necessitating high speed internet connectivity such as 5G. Environmental factors like weather or terrain can also affect such systems.

Newly emerging AI-based models are being applied on different animals including sheep, cattle, horses, poultry, pigs, and goats. There is a need to perform optimization of the parameters of existing models made for one type of animal (e.g. cattle) to accommodate a different animal (e.g. sheep). To make precision livestock farming applicable on a large scale in farming operations, the integration of computer modelling with precision farming practices becomes essential (Tedeschi et al., 2021). Overall, AI developments for sheep farming have successfully addressed many previous challenges and are poised to provide additional solutions for sustainable sheep farming. The current concerns related to data quality, animal welfare, cost, environmental adaptability, and reliability of these systems need to be addressed with research, development, and collaboration between technologists, farmers, and animal welfare experts.

Future research endeavors based on artificial intelligence are diverse. Multi-modal data sources like satellite imagery, weather data, and genomic information can be integrated with on-farm sensor data. This would boost the predictive capability of AI models across domains like environmental management, disease prediction, and genetic selection. Although the goal of using AI in sheep farming is to increase productivity, future research should also investigate the ethics of using AI in sheep farming to ensure their ethical treatment. One important research direction is predictive health management using AI. To reduce dependence on antibiotics and improve overall farm health, early disease detection can be achieved with the development of advanced predictive models.

Further research should also see how AI can help sheep farming in changing environmental conditions due to climate change. In this regard, specific focus can be given to adjusting feeding strategies, resource use optimization, and heat stress management. Current AI tools are complex to use. Research should focus on making these tools userfriendly, improving ease of adoption. Overall, the use of digitalization and AI in sheep farming presents a vast and promising frontier, with abundant opportunities for groundbreaking research and innovation.

Digitalization has become ubiquitous across all aspects of life, and Artificial Intelligence (AI) aims to make computers capable of understanding, while machine learning empowers computers to make decisions without explicit programming. In the realm of sheep farming, the application of AI-driven digitalization has already proven to be a boon for both sheep farmers and veterinarians, contributing to the sustainability of sheep farming. It has ushered in enhanced sheep management through advanced counting systems, improved disease detection and prevention, precision feeding, anomaly detection, behaviour control, and more. The utilization of AI in sheep farming holds immense potential as it boosts farming efficiency, leading to increased yields. Some of the challenges faced during the implementation of AI technologies in sheep farming include high cost, need for big data, possibility for inaccurate predictions, ethical considerations, problems in adaptability to a new environment, and complexity. These multifaceted challenges necessitate cross-disciplinary collaboration among veterinarians, computer scientists, animal behaviorists, and agricultural engineers.

Through such collaboration, future research holds the promise of significantly advancing the efficiency and sustainability of sheep farming through innovative applications of digitalization and AI.

Not applicable.

Not applicable.

Muhammad Furqan Arshad: Writing – original draft. Antonio Varcasia: Supervision, Writing – review & editing. Maria Francesca Sini: Writing – review & editing. Fahad Ahmed: Writing – review & editing. Giovanni Lai: Writing – review & editing. Marta Polinas: Writing – review & editing. Elisabetta Antuofermo: Writing – review & editing. Claudia Tamponi: Writing – review & editing. Raffaella Cocco: Writing – review & editing. Andrea Corda: Writing – review & editing. Maria Luisa Pinna Parpaglia: Writing – review & editing.

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

This work has been developed within the framework of the project e. INS- Ecosystem of Innovation for Next Generation Sardinia (cod. ECS 00000038) funded by the Italian Ministry for Research and Education (MUR) under the National Recovery and Resilience Plan (NRRP) MISSION 4 COMPONENT 2, “From research to business” INVESTMENT 1.5, “Creation and strengthening of Ecosystems of innovation” and construction of “Territorial R&D Leaders”.

Alapala Demirhan, S., 2019. Sheep farming business in Uşak city of Turkey: economic structure, problems and solutions. Saudi J. Biol. Sci. 26, 352-356. https://doi.org/ 10.1016/j.sjbs.2018.10.004.

Aldridge, M.E., Fearon, J.E., Haynes, B.P., Miller, H.M., Sanford, K.Y., Scott, R.R., Anglin, W.W., Blalock, L.S., Burkes, B.L., Cohn-White, O.L., 2019. Solutions for grand challenges in goat and sheep. Biotropia (Bogor). 26, 55-64. https://doi.org/ 10.11598/btb.2019.26.1.944.

Alexandratos, N., Bruinsma, J., 2012. World Agriculture Towards 2030/2050: The 2012 Revision. Doi:10.22004/ag.econ. 288998.
Alini, M., Diwan, A.D., Erwin, W.M., Little, C.B., Melrose, J., 2023. An update on animal models of intervertebral disc degeneration and low back pain: exploring the potential of artificial intelligence to improve research analysis and development of prospective therapeutics. JOR Spine. 6, e1230 https://doi.org/10.1002/jsp2.1230.
Andresen, S.L., 2002. John McCarthy: father of Al. IEEE Intell. Syst. 17, 84-85. https:// doi.org/10.1109/MIS.2002.1039837.
Antonik, I., Nedosyekov, V., Pushkar, T., 2022. Artificial Intelligence for Animal Welfare. науково-практичної конференції науково-педагогічних працівників та, p. 213 https:// doi.org/619:614:253:17.023.35004:636.003.13.
Aubron, C., Cochet, H., Brunschwig, G., Moulin, C.-H., 2009. Labor and its productivity in Andean dairy farming systems: a comparative approach. Hum. Ecol. 37, 407-419. https://doi.org/10.1007/s10745-009-9267-9.
Bao, J., Xie, Q., 2022. Artificial intelligence in animal farming: a systematic literature review. J. Clean. Prod. 331, 129956 https://doi.org/10.1016/j. jclepro.2021.129956.
Bard, A.M., Main, D., Roe, E., Haase, A., Whay, H.R., Reyher, K.K., 2019. To change or not to change? Veterinarian and farmer perceptions of relational factors influencing the enactment of veterinary advice on dairy farms in the United Kingdom. J. Dairy Sci. 102, 10379-10394. https://doi.org/10.3168/jds.2019-16364.
Barkema, H.W., Orsel, K., Nielsen, S.S., Koets, A.P., Rutten, M.G., V.P, Bannantine, J.P., Keefe, G.P., Kelton, D.F., Ritter, C., Roche, S., Corbett, C.S., Wolf, R., Griebel, P.J., Kastelic, J.P., De Buck, J., W Barkema, C.H., 2018. Knowledge Gaps that Hamper Prevention and Control of Mycobacterium avium Subspecies Paratuberculosis

Infection, 65. Wiley Online Library, pp. 125-148. https://doi.org/10.1111/ tbed. 12723.
Barwick, J., Lamb, D.W., Dobos, R., Welch, M., Trotter, M., 2018. Categorising sheep activity using a tri-axial accelerometer. Comput. Electron. Agric. 145, 289-297. https://doi.org/10.1016/j.compag.2018.01.007.
Basciftci, F., Gunduz, K.A., 2019. Identification of acidosis disease in cattle using IoT, in: 2019. In: 4th International Conference on Computer Science and Engineering (UBMK). IEEE, pp. 58-62. https://doi.org/10.1109/UBMK.2019.8907035.
Beausoleil, N.J., Blache, D., Stafford, K.J., Mellor, D.J., Noble, A.D.L., 2012. Selection for temperament in sheep: domain-general and context-specific traits. Appl. Anim. Behav. Sci. 139, 74-85. https://doi.org/10.1016/j.applanim.2012.02.020.
Béné, C., Barange, M., Subasinghe, R., Pinstrup-Andersen, P., Merino, G., Hemre, G.I., Williams, M., 2015. Feeding 9 billion by 2050 – putting fish back on the menu. Food Secur. 7, 261-274. https://doi.org/10.1007/S12571-015-0427-Z.
Berckmans, D., 2017. General introduction to precision livestock farming. Anim. Front. 7, 6-11. https://doi.org/10.2527/AF.2017.0102.
Bondi, E., Oh, H., Xu, H., Fang, F., Dilkina, B., Tambe, M., 2019. Using Game Theory in Real Time in the Real World: A Conservation Case Study. AAMAS, pp. 2336-2338.
Bosco, S., Volpi, I., Cappucci, A., Mantino, A., Ragaglini, G., Bonari, E., Mele, M., 2021. Innovating feeding strategies in dairy sheep farming can reduce environmental impact of ewe milk. Ital. J. Anim. Sci. 20, 2147-2164. https://doi.org/10.1080/ 1828051X.2021.2003726.
Brunberg, E.I., Bergslid, I.K., Bøe, K.E., Sørheim, K.M., 2017. The ability of ewes with lambs to learn a virtual fencing system. Animal. 11, 2045-2050. https://doi.org/ 10.1017/S1751731117000891.

Bucki, M., Dhufaigh, K.N., O’Brien, C., Weatherley, A., Walshe, N., McElligott, T., 2023. Comparison of ovine faecal Strongyle egg counts from an accredited laboratory and a rapid, on-site parasite diagnostic system utilising a smartphone app and machine learning. Vet. Parasitol. 320, 109976 https://doi.org/10.1016/j. vetpar.2023.109976.
Burrai, G.P., Gabrieli, A., Polinas, M., Murgia, C., Becchere, M.P., Demontis, P., Antuofermo, E., 2023. Canine mammary tumor histopathological image classification via computer-aided pathology: an available dataset for imaging analysis. Animals. 13, 1563. https://doi.org/10.3390/ani13091563.
Cabezas, J., Yubero, R., Visitación, B., Navarro-García, J., Algar, M.J., Cano, E.L., Ortega, F., 2022. Analysis of accelerometer and GPS data for cattle behaviour identification and anomalous events detection. Entropy. 24, 336. https://doi.org/ 10.3390/e24030336.

Campbell, D.L., Belson, S., Lea, J.M., Ouzman, J., Lee, C., Kalinowski, T., Llewellyn, R.S., 2023. Automated virtual fencing can effectively contain sheep: field trials and prospects. Animals 13 (4), 619. https://doi.org/10.3390/ani12212920.
Campbell, D.L.M., Marini, D., Lea, J.M., Keshavarzi, H., Dyall, T.R., Lee, C., 2021. The application of virtual fencing technology effectively herds cattle and sheep. Anim. Prod. Sci. 61, 1393-1402. https://doi.org/10.1071/AN20525.
Caputo, E., de Alteriis, G., Conte, C., Nocerino, M., Pepe, P., Elia, S., Bosco, A., Cringoli, G., Rinaldi, L., Rufino, G., Accardo, D., 2022. Development of an Embedded System-Based Dropper Payload for Drones. In: 2022 IEEE 9th International Workshop on Metrology for AeroSpace (MetroAeroSpace). IEEE, pp. 639-643. https://doi.org/10.1109/MetroAeroSpace54187.2022.9856205.
Cheng, M., Yuan, H., Wang, Q., Cai, Z., Liu, Y., Zhang, Y., 2022. Application of deep learning in sheep behaviors recognition and influence analysis of training data characteristics on the recognition effect. Comput. Electron. Agric. 198, 107010 https://doi.org/10.1016/j.compag.2022.107010.
Cihan, P., Gokce, E., Atakisi, O., Kirmizigul, A.H., Erdogan, H.M., 2021. Yapay Zeka Yöntemleri İle Kuzularda İmmünoglobulin G Tahmini. Univ. Vet. Fak. Derg, Kafkas. https://doi.org/10.9775/kvfd.2020.24642.
Cockburn, M., 2020. Review: application and prospective discussion of machine learning for the Management of Dairy Farms. Animals. 10, 1690. https://doi.org/10.3390/ ani10091690.
Cowton, J., Kyriazakis, I., Plötz, T., Bacardit, J., 2018. A combined deep learning GRUautoencoder for the early detection of respiratory disease in pigs using multiple environmental sensors. Sensors. 18, 2521. https://doi.org/10.3390/s18082521.
Curchoe, C.L., 2023. Proceedings of the first world conference on AI in fertility. J. Assist. Reprod. Genet. 40, 215-222. https://doi.org/10.1007/S10815-022-02704-9.
Deng, X., Zhang, S., Shao, Y., Yan, X., 2022. A real-time sheep counting detection system based on machine learning. INMATEH Agricult. Eng. 67, 85-94. https://doi.org/ 10.35633/inmateh-67-08.

Dilleen, G., Claffey, E., Foley, A., Doolin, K., 2023. Investigating knowledge dissemination and social media use in the farming network to build trust in smart farming technology adoption. J. Bus. Ind. Mark. 38, 1754-1765. https://doi.org/ 10.1108/JBIM-01-2022-0060/FULL/HTML.

Dore, A., Pasquaretta, C., Henry, D., Ricard, E., Bompa, J.-F., Bonneau, M., Boissy, A., Hazard, D., Lihoreau, M., Aubert, H., 2021. A non-invasive millimetre-wave radar sensor for automated Behavioural tracking in precision farming-application to sheep husbandry. Sensors. 21, 8140. https://doi.org/10.3390/s21238140.
EFSA Panel on Animal Health and Welfare (AHAW), 2014. Scientific opinion on the welfare risks related to the farming of sheep for wool, meat and milk production. EFSA J. 12, 3933. https://doi.org/10.2903/j.efsa.2014.3933.
Ergen, M., 2019. What is artificial intelligence? Technical considerations and future perception. Anatol. J. Cardiol. 22, 5-7. https://doi.org/10.14744/ AnatolJCardiol.2019.79091.
Food and Agriculture Organisation of the United Nations, 2009. How to Feed the World in 2050: High-Level Expert Forum. FAO Rome, Italy.
Fragoso-Garcia, M., Wilm, F., Bertram, C.A., Merz, S., Schmidt, A., Donovan, T., FuchsBaumgartinger, A., Bartel, A., Marzahl, C., Diehl, L., Puget, C., Maier, A., Aubreville, M., Breininger, K., Klopfleisch, R., 2023. Automated diagnosis of 7
canine skin tumors using machine learning on H&E-stained whole slide images. Vet. Pathol. 60, 865-875. https://doi.org/10.1177/03009858231189205.
Fuentes, S., Gonzalez Viejo, C., Tongson, E., Dunshea, F.R., 2022. The livestock farming digital transformation: implementation of new and emerging technologies using artificial intelligence. Anim. Health Res. Rev. 23, 59-71. https://doi.org/10.1017/ S1466252321000177.
Ganai, N.A., 2022. Proceeding of the Indian ecological society international conference 2022. Indian J. Ecol. 53 https://doi.org/10.55362/IJE/IESIC/2022/PROC.

González, L.A., Kyriazakis, I., Tedeschi, L.O., 2018. Review: precision nutrition of ruminants: approaches, challenges and potential gains. Animal. 12, s246-s261. https://doi.org/10.1017/S1751731118002288.
González-García, E., Alhamada, M., Pradel, J., Douls, S., Parisot, S., Bocquier, F., Menassol, J.B., Llach, I., González, L.A., 2018. A mobile and automated walk-overweighing system for a close and remote monitoring of liveweight in sheep. Comput. Electron. Agric. 153, 226-238. https://doi.org/10.1016/j.compag.2018.08.022.
Göröcs, Z., Baum, D., Song, F., de Haan, K., Ceylan Koydemir, H., Qiu, Y., Cai, Z., Skandakumar, T., Peterman, S., Tamamitsu, M., Ozcan, A., 2020. Label-free detection of Giardia lamblia cysts using a deep learning-enabled portable imaging flow cytometer. Lab Chip 20, 4404-4412. https://doi.org/10.1039/D0LC00708K.
Griffith, C., Heydon, G., Lamb, D., Lefort, L., Taylor, K., Trotter, M., Wark, T., 2013. Smart farming: leveraging the impact of broadband and the digital economy. Eng. Technol. https://doi.org/10.4225/08/584d9555b377c.
Hamadani, A., Ganai, N.A., 2022. Development of a multi-use decision support system for scientific management and breeding of sheep. Sci. Rep. 12, 19360. https://doi. org/10.1038/s41598-022-24091-y.
Hamadani, A., Ganai, N.A., Andrabi, S.M., Shanaz, S., Alam, S., Hussainsher-EKashmir, I., 2022. Evaluation of artificial intelligence algorithms for the prediction of genetic merit. Res. Rev. https://doi.org/10.21203/rs.3.rs-1488946/v1.
He, C., Qiao, Y., Mao, R., Li, M., Wang, M., 2023. Enhanced LiteHRNet based sheep weight estimation using RGB-D images. Comput. Electron. Agric. 206, 107667 https://doi.org/10.1016/j.compag.2023.107667.
Hu, T., Yan, R., Jiang, C., Chand, N.V., Bai, T., Guo, L., Qi, J., 2023. Grazing sheep behaviour recognition based on improved YOLOV5. Sensors. 23, 4752. https://doi. org/10.3390/s23104752.
Jachowski, D.S., Slotow, R., Millspaugh, J.J., 2014. Good virtual fences make good neighbors: opportunities for conservation. Anim. Conserv. 17, 187-196. https://doi. org/10.1111/acv.12082.
Jiménez, D., Delerce, S., Dorado, H., Cock, J., Muñoz, L.A., Agamez, A., Jarvis, A., 2019. A scalable scheme to implement data-driven agriculture for small-scale farmers. Glob. Food Sec. 23, 256-266. https://doi.org/10.1016/j.gfs.2019.08.004.
Jin, P., Mou, L., Xia, G.S., Zhu, X.X., 2022b. Anomaly detection in aerial videos with transformers. IEEE Trans. Geosci. Remote Sens. 60, 1-13.
Jin, Z., Guo, L., Shu, H., Qi, J., Li, Y., Xu, B., Zhang, W., Wang, K., Wang, W., 2022a. Behavior classification and analysis of grazing sheep on pasture with different sward Surface Heights using machine learning. Animals. 12, 1744. https://doi.org/ 10.3390/ani12141744.

Jorquera-Chavez, M., Fuentes, S., Dunshea, F.R., Warner, R.D., Poblete, T., Jongman, E. C., 2019. Modelling and validation of computer vision techniques to assess heart rate, eye temperature, Ear-Base temperature and respiration rate in cattle. Animals. 9, 1089. https://doi.org/10.3390/ani9121089.
Kaul, V., Enslin, S., Gross, S.A., 2020. History of artificial intelligence in medicine. Gastrointest. Endosc. 92, 807-812. https://doi.org/10.1016/j.gie.2020.06.040.
Keceli, A.S., Catal, C., Kaya, A., Tekinerdogan, B., 2020. Development of a recurrent neural networks-based calving prediction model using activity and behavioral data. Comput. Electron. Agric. 170, 105285 https://doi.org/10.1016/j. compag.2020.105285.
Keshavarzi, H., Sadeghi-Sefidmazgi, A., Mirzaei, A., Ravanifard, R., 2020. Machine learning algorithms, bull genetic information, and imbalanced datasets used in abortion incidence prediction models for Iranian Holstein dairy cattle. Prev. Vet. Med. 175, 104869 https://doi.org/10.1016/j.prevetmed.2019.104869.
King, A., 2017. Technology: the future of agriculture. Nature. 544, S21-S23.
Kleanthous, N., Hussain, A., Sneddon, J., Khan, W., Khan, B., Aung, Z., Liatsis, P., 2022. Towards a virtual fencing system: training domestic sheep using audio stimuli. Animals. 12, 2920. https://doi.org/10.3390/ani12212920.
Koydemir, H.C., Gorocs, Z., Tseng, D., Cortazar, B., Feng, S., Chan, R.Y.L., Burbano, J., McLeod, E., Ozcan, A., 2015. Rapid imaging, detection and quantification of Giardia lamblia cysts using mobile-phone based fluorescent microscopy and machine learning. Lab Chip 15, 1284-1293.
Kozitsin, V., Katser, I., Lakontsev, D., 2021. Online forecasting and anomaly detection based on the ARIMA model. Appl. Sci. 11, 3194. https://doi.org/10.3390/ app11073194.
Kwon, L., Long, K.D., Wan, Y., Yu, H., Cunningham, B.T., 2016. Medical diagnostics with mobile devices: comparison of intrinsic and extrinsic sensing. Biotechnol. Adv. 34, 291-304. https://doi.org/10.1016/j.biotechadv.2016.02.010.
Lewis Baida, B.E., Swinbourne, A.M., Barwick, J., Leu, S.T., van Wettere, W.H.E.J., 2021. Technologies for the automated collection of heat stress data in sheep. Animal Biotelemetry. 9, 4. https://doi.org/10.1186/s40317-020-00225-9.
Lipschitz, F., 2019. Expanding the field: virtual fencing as responsive landscape technology. Plan J. 4 https://doi.org/10.15274/tpj.2019.04.01.12.
Marini, D., Meuleman, M., Belson, S., Rodenburg, T., Llewellyn, R., Lee, C., 2018. Developing an ethically acceptable virtual fencing system for sheep. Animals. 8, 33. https://doi.org/10.3390/ani8030033.
Mate, S., Somani, V., Dahiwale, P., 2022. Design and development of IoT-based intelligent solutions with blockchain for indian farmers on livestock management. In: Proceedings of the International Conference on Intelligent Technologies in

Security and Privacy for Wireless Communication, ITSPWC 2022, 14-15 May 2022, Karur, Tamilnadu, India. EAI. https://doi.org/10.4108/eai.14-5-2022.2320163.
Mathison, B.A., Kohan, J.L., Walker, J.F., Smith, R.B., Ardon, O., Couturier, M.R., 2020. Detection of intestinal Protozoa in trichrome-stained stool specimens by use of a deep convolutional neural network. J. Clin. Microbiol. 58, 10-1128. https://doi.org/ 10.1128/JCM.02053-19.

McLennan, K., Mahmoud, M., 2019. Development of an automated pain facial expression detection system for sheep (Ovis Aries). Animals. 9, 196. https://doi.org/10.3390/ ani9040196.
Mishra, S., Sharma, S.K., 2023. Advanced contribution of IoT in agricultural production for the development of smart livestock environments. Internet Things. 22, 100724 https://doi.org/10.1016/j.iot.2023.100724.
Morris, S.T., 2017. Overview of sheep production systems. Adv. Sheep Welfare. 19-35 https://doi.org/10.1016/B978-0-08-100718-1.00002-9.
Morrone, S., Dimauro, C., Gambella, F., Cappai, M.G., 2022. Industry 4.0 and precision livestock farming (PLF): an up to date overview across animal productions. Sensors. 22, 4319. https://doi.org/10.3390/s22124319.
Murray, P.R., 2015. The clinician and the microbiology laboratory. In: Mandell, Douglas, and Bennett’s Principles and Practice of Infectious Diseases. Elsevier, pp. 191-223. https://doi.org/10.1016/B978-1-4557-4801-3.00016-3.
Nagamori, Y., Hall Sedlak, R., DeRosa, A., Pullins, A., Cree, T., Loenser, M., Larson, B.S., Smith, R.B., Goldstein, R., 2020. Evaluation of the VETSCAN IMAGYST: an in-clinic canine and feline fecal parasite detection system integrated with a deep learning algorithm. Parasit. Vectors 13, 346. https://doi.org/10.1186/s13071-020-04215-x.
Neethirajan, S., 2023. The significance and ethics of digital livestock farming. AgriEngineering. 5, 488-505. https://doi.org/10.3390/agriengineering5010032.
Nolack Fote, F., Mahmoudi, S., Roukh, A., Ahmed Mahmoudi, S., 2020. Big Data Storage and Analysis for Smart Farming. In: Proceedings of 2020 5th iInternational Conference on Cloud Computing and Artificial Intelligence: Technologies and Applications. CloudTech, p. 2020. https://doi.org/10.1109/ CLOUDTECH49835.2020.9365869.
Odintsov Vaintrub, M., Levit, H., Chincarini, M., Fusaro, I., Giammarco, M., Vignola, G., 2021. Review: precision livestock farming, automats and new technologies: possible applications in extensive dairy sheep farming. Animal. 15, 100143 https://doi.org/ 10.1016/j.animal.2020.100143.

Oyibo, P., Jujjavarapu, S., Meulah, B., Agbana, T., Braakman, I., van Diepen, A., Bengtson, M., van Lieshout, L., Oyibo, W., Vdovine, G., Diehl, J.-C., 2022. Schistoscope: an automated microscope with artificial intelligence for detection of Schistosoma haematobium eggs in resource-limited settings. Micromachines (Basel). 13, 643. https://doi.org/10.3390/mi13050643.
Phythian, C.J., Michalopoulou, E., Jones, P.H., Winter, A.C., Clarkson, M.J., Stubbings, L. A., Grove-White, D., Cripps, P.J., Duncan, J.S., 2011. Validating indicators of sheep welfare through a consensus of expert opinion. Animal. 5, 943-952. https://doi.org/ 10.1017/S1751731110002594.

Sarwar, F., Griffin, A., Periasamy, P., Portas, K., Law, J., 2018. Detecting and Counting Sheep with a Convolutional Neural Network. In: 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, pp. 1-6. https://doi.org/10.1109/AVSS.2018.8639306.
Sheng, H., Zhang, S., Zuo, L., Duan, G., Zhang, H., Okinda, C., Norton, T., 2020. Construction of sheep forage intake estimation models based on sound analysis. Biosyst. Eng. 192, 144-158. https://doi.org/10.1016/j.biosystemseng.2020.01.024.
Smith, K.P., Wang, H., Durant, T.J.S., Mathison, B.A., Sharp, S.E., Kirby, J.E., Long, S.W., Rhoads, D.D., 2020. Applications of artificial intelligence in clinical microbiology diagnostic testing. Clin. Microbiol. Newsl. 42, 61-70. https://doi.org/10.1016/j. clinmicnews.2020.03.006.
Song, S., Liu, T., Wang, H., Hasi, B., Yuan, C., Gao, F., Shi, H., 2022. Using pruning-based YOLOv3 deep learning algorithm for accurate detection of sheep face. Animals. 12, 1465. https://doi.org/10.3390/ani12111465.
de Souza, L.F., Costa, M.H., Riet-Correa, B., 2023. Mobile app for targeted selective treatment of haemonchosis in sheep. Vet. Parasitol. 316, 109902 https://doi.org/ 10.1016/j.vetpar.2023.109902.

Strömbom, D., King, A.J., 2018. Robot collection and transport of objects: a biomimetic process. Front. Robot AI. 5, 48. https://doi.org/10.3389/frobt.2018.00048.
Suparwito, H., Thomas, D.T., Wong, K.W., Xie, H., Rai, S., 2021. The use of animal sensor data for predicting sheep metabolisable energy intake using machine learning. Inf. Proc. Agric. 8 (4), 494-504. https://doi.org/10.1016/j.inpa.2020.12.004.
Tedeschi, L.O., Greenwood, P.L., Halachmi, I., 2021. Advancements in sensor technology and decision support intelligent tools to assist smart livestock farming. J. Anim. Sci. 99, 1-11. https://doi.org/10.1093/jas/skab038.
Terlouw, E.M.C., Arnould, C., Auperin, B., Berri, C., Le Bihan-Duval, E., Deiss, V., Lefèvre, F., Lensink, B.J., Mounier, L., 2008. Pre-slaughter conditions, animal stress and welfare: current status and possible future research. Animal. 2, 1501-1517. https://doi.org/10.1017/S1751731108002723.
Tripathi, S., 2021. Artificial Intelligence: A Brief Review. Analyzing future applications of AI, sensors, and robotics in society. https://doi.org/10.4018/978-1-7998-3499-1. CH001.
Turing, A.M., 1950. I.-computing machinery and intelligence. Mind LIX, 433-460. https://doi.org/10.1093/MIND/LIX.236.433.
Umstatter, C., 2011. The evolution of virtual fences: a review. Comput. Electron. Agric. 75, 10-22. https://doi.org/10.1016/j.compag.2010.10.005.
Van Wyk, J.A., Bath, G.F., 2002. The FAMACHA system for managing haemonchosis in sheep and goats by clinically identifying individual animals for treatment. Vet. Res. 33, 509-529. https://doi.org/10.1051/vetres:2002036.
Velde, F. Vande, Charlier, J., Claerebout, E., 2018. Farmer behavior and gastrointestinal nematodes in ruminant livestock-uptake of sustainable control approaches. Front. Vet. Sci. 5 https://doi.org/10.3389/FVETS.2018.00255/FULL.
Wang, K., Xuan, C., Wu, P., Liu, F., Fan, X., 2022. Feeding intake estimation in sheep based on ingestive chewing sounds. Comput. Electron. Agric. 194, 106698 https:// doi.org/10.1016/j.compag.2022.106698.
Wang, L., Zhang, M., Li, Y., Xia, J., Ma, R., 2021. Wearable multi-sensor enabled decision support system for environmental comfort evaluation of mutton sheep farming. Comput. Electron. Agric. 187, 106302 https://doi.org/10.1016/j. compag.2021.106302.
Xu, J., Wu, Q., Zhang, J., Tait, A., 2021. Automatic sheep behaviour analysis using mask R-CNN. In: 2021 Digital Image Computing: Techniques and Applications (DICTA), p. IEEE, pp. 01-06. https://doi.org/10.1109/DICTA52665.2021.9647101.

Yange, T.S., Egbunu, C.O., Onyekware, O., Rufai, M.A., Godwin, C., 2021. Violence detection in ranches using computer vision and convolution neural network. J. Comput. Sci. Technol. 94-104 https://doi.org/10.35134/jcsitech.v7i4.22.

Yaxley, K.J., Joiner, K.F., Abbass, H., 2021. Drone approach parameters leading to lower stress sheep flocking and movement: sky shepherding. Sci. Rep. 11, 7803. https:// doi.org/10.1038/s41598-021-87453-y.
Zhang, X., Xuan, C., Xue, J., Chen, B., Ma, Y., 2023. LSR-YOLO: a high-precision, lightweight model for sheep face recognition on the Mobile end. Animals. 13, 1824. https://doi.org/10.3390/ani13111824.
Zhang, Y., Yu, C., Liu, H., Chen, X., Lei, Y., Pang, T., Zhang, J., 2022. An integrated goat head detection and automatic counting method based on deep learning. Animals. 12, 1810. https://doi.org/10.3390/ani12141810.

Zhang, Z., Zhang, H., Liu, T., 2019. Study on body temperature detection of pig based on infrared technology: a review. Artif. Intell. Agric. 1, 14-26. https://doi.org/ 10.1016/j.aiia.2019.02.002.

Zingaro, M., Salvatori, V., Vielmi, L., Boitani, L., 2018. Are the livestock guarding dogs where they are supposed to be? Appl. Anim. Behav. Sci. 198, 89-94. https://doi.org/ 10.1016/j.applanim.2017.10.002.